XiaoMi-AI文件搜索系统
World File Search System脑类
第 5 类 — 信息处理系统 (...
5 级信息处理系统机柜经 GSA 批准，用于保护机密系统在线运行的计算和通信设备，包括保护电子媒体和通信设备。可防止 30 人分钟的隐蔽入侵，防止 20 人小时的偷偷入侵，防止 10 人分钟的强行入侵
第 5 类 - 电信和“...
类别 5 – 电信和“信息安全” 第 1 部分 – 电信 注释： 1.为电信设备或系统“专门设计”的“组件”、测试和“生产”设备及其“软件”的控制状态在类别 5 第 1 部分中确定。注意：：对于为电信设备或系统“专门设计”的“激光器”，请参阅 ECCN 6A005。2.“数字计算机”、相关设备或“软件”，如果对于本类别中描述的电信设备的运行和支持必不可少，则被视为“专门设计”的“组件”，前提是它们是制造商通常供应的标准型号。包括操作、管理、维护、工程或计费计算机系统。3. ECCN 5A001.j 中的商品以及 5D001.c（针对 5A001.j）中指定的相关“软件”，如果同时受 ECCN 5A002.a、5A002.z.1、5A002.z.6、5A004.a、5A004.b、5A004.z、5D002.c.1、5D002.c.3、5D002.z.6、5D002.z.8 或 z 5D002.z.9 的管制，则仍受这些条目在第 5 类 - 第 2 部分中的管制。第 5 类 – 第 2 部分不适用于实现受这些第 5 类第 1 部分 ECCN 控制的功能的源代码元素，也不适用于受 EAR 约束的任何项目，其中加密项目 (EI) 功能缺失、被删除或不存在。4.ECCN 5A001.j、5B001.a（针对 5A001.j）中的项目、5D001.a（针对 5A001.j）和 5D001.c（针对 5A001.j 或 5B001.a（针对 5A001.j））中指定的相关“软件”以及 ECCN 5E001.a（针对
一种用于 MRI 脑组织分割的模糊一致性聚类算法
摘要：脑组织分割是使用多模态磁共振成像 (MR) 进行脑部疾病临床诊断的重要组成部分。文献中已通过许多无监督方法开发了脑组织分割。最常用的无监督方法是 K 均值、期望最大化和模糊聚类。与上述方法相比，模糊聚类方法具有相当大的优势，因为它们能够处理复杂、不确定性很大且不精确的脑图像。然而，这种方法存在数据采集过程中固有的噪声和强度不均匀性 (IIH)。为了解决这些问题，我们提出了一种模糊共识聚类算法，该算法定义了一个由投票方案产生的成员函数来对像素进行聚类。具体来说，我们首先预处理 MRI 数据，并采用基于传统模糊集和直觉集的几种分割技术。然后，我们采用投票方案来融合应用的聚类方法的结果。最后，为了评估所提出的方法，我们在两个公开可用的数据集（OASIS 和 IBSR18）上使用了众所周知的性能指标（边界测量、重叠测量和体积测量）。实验结果表明，与最近的最新技术相比，所提出的方法具有更优越的性能。所提出方法的性能还使用现实世界的自闭症谱系障碍检测问题进行了展示，与其他现有方法相比，其准确率更高。
基于无人机遥感摄像机与类脑计算芯片的实时智能运动目标跟踪
基于无人机的运动目标跟踪技术被广泛应用于自动巡检、应急处置等诸多领域。现有的运动目标跟踪方法通常存在计算量大、跟踪效率低的问题。受限于无人机平台的算力，基于无人机平台采集的视频数据对多目标进行实时跟踪分析是一项艰巨的任务。本文提出了一种针对无人机实时跟踪任务的带记忆的特定目标滤波跟踪（TSFMTrack）方法，该方法包括用于捕捉目标外观特征的轨迹滤波模块（TFM）和用于每帧边界框关联的轨迹匹配模块（TMM）。通过在流行的MOT和UAV跟踪数据集上与其他SOTA方法的实验比较，TSFMTrack在准确性、计算效率和可靠性方面表现出明显的优势。并且将TSFMTrack部署在类脑芯片Lynchip KA200上，实验结果证明了TSFMTrack在边缘计算平台上的有效性以及适合无人机实时跟踪任务。
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。