XiaoMi-AI文件搜索系统
World File Search System视觉
计算机视觉 / ML工程师实习生< / div>
理想的候选人将具有强大的背景：计算机科学，机械工程，电气工程，生物医学工程或相关领域。如果有兴趣，候选人将暴露于从头开始发展初创公司的各个方面（R＆D，光学系统集成和原型化）。工作将主要在我们的马里兰州哥伦比亚办事处进行。工资与经验相称（至少$ 17/hr）。我们的紧密联系的团队很高兴欢迎有才华的申请人并一起发展我们的冒险！
VIT-COMER：具有卷积多尺度特征相互作用的视觉变压器，用于密集预测
尽管Vision Transformer（VIT）在计算机视觉方面取得了显着的成功，但由于缺乏内部绘制互动和特征量表的多样性有限，它在密集的预测任务中表现不佳。大多数现有的研究致力于设计视觉特定的变压器来解决上述问题，从而涉及额外的培训前成本。因此，我们提出了一种普通的，无培训的且具有特征增强的vit背骨，并具有指定性的特征性动作，称为Vit-Comer，可促进CNN和Transformer之间的双向相互作用。与现状相比，VIT-COMER具有以下优点：（1）我们将空间金字塔多触发性场卷积特征注入VIT体系结构，从而有效地减轻了VIT中局部信息相互作用和单场表述的有限问题。（2）我们提出了一个简单有效的CNN转换器双向交互模块，该模块在跨层次特征上执行多尺度融合，这对Han-dling密集的预测任务有益。（3）我们评估了在各种密集的预测任务，不同框架和多个高级预训练中VIT-COMER的能力。值得注意的是，我们的VIT-COMER-L在没有额外训练数据的情况下可可Val2017上的AP达到64.3％，而ADE20K Val上的MIOU为62.1％，这两种方法都与最先进的方法相当。我们希望VIT-COMER可以作为密集预测任务的新骨干，以促进未来的研究。该代码将在https：//github.com/traffic-x/vit-comer上发布。
通过控制视觉刺激的时间，使用脑电图进行字符输入......
研究成果概要（中文）：在本研究中，我们旨在开发一种使用 P300 和稳态视觉诱发电位 (SSVEP) 的混合型输入系统，这两种技术在利用脑电图进行字符输入时被广泛使用。该系统发挥了 P300 和 SSVEP 的优势，并弥补了彼此的不足。首先，我们通过视觉刺激呈现建立了一种同时生成方法。接下来，利用呈现方法，我们确认可以通过控制候选字符的呈现时间来有效分离两种不同的脑电图。我们已经证明，我们的原创方法可以实现高速输入。然而，差异程度因对象而异。这是未来需要解决的一个挑战。
使用Pytorch的计算机视觉的初学者指南
要使用Pytorch中的数据增强，您将需要定义一组可以应用于培训数据的转换功能。您还需要确保将转换功能始终应用于输入图像和相应的注释。然后，您可以使用Torchvision.datasets.ObjectDetectionDataSet类使用批次的方式，将这些转换应用于培训数据。
视觉模型的有效测试时间适应
通过预训练的视觉模型进行测试时间适应，引起了越来越多的关注，以应对测试时间的分离转移。尽管事先实现了非常有前途的性能，但它们会进行密集的计算，这与测试时间适应非常不规则。我们设计了TDA，这是一种无训练的动态适配器，可通过视觉模型进行有效，有效的测试时间适应。tda可与轻巧的键值缓存一起使用，该缓存维持具有很少射击伪标签的dy-namic队列作为值，而相应的测试样本特征则是键。杠杆键值缓存，TDA允许通过渐进式伪标签的细化逐渐调整数据，而逐步测试数据，而不会产生任何反向传播。此外，我们引入了负伪标记，即当模型不确定其伪标签预测时，通过将伪标签分配给某些负类时，可以减轻伪标签噪声的不利影响。在两个基准上进行的广泛实验表明，与最先进的艺术品相比，TDA的实体有效性和效率。该代码已在https：//kdiaaa.github.io/tda/中发布。
使用夸张的视觉层次结构映射改善视觉识别
视觉场景是自然组织的，在层次结构中，粗糙的语义递归由几个细节组成。探索这种视觉层次结构对于认识视觉元素的复杂关系至关重要，从而导致了全面的场景理解。在本文中，我们提出了一个视觉层次结构映射器（HI-MAPPER），这是一种增强对预训练的深神经网络（DNNS）结构化理解的新方法。hi-mapper通过1）通过概率密度的封装来调查视觉场景的层次结构组织； 2）学习双曲线空间中的分层关系，并具有新颖的分层对比损失。预定义的层次树通过层次结构分解和编码过程递归地与预训练的DNN的视觉特征相互作用，从而有效地识别了视觉层次结构并增强了对整个场景的识别。广泛的实验表明，Hi-Mapper显着增强了DNN的表示能力，从而改善了各种任务的性能，包括图像分类和密集的预测任务。代码可在https://github.com/kwonjunn01/hi-mapper上找到。
电脑游戏（益智游戏和模拟游戏）对特定学习障碍学生工作记忆和空间视觉感知的影响（r
摘要 本研究的目的是研究电脑游戏（益智游戏 Moument Valley 和模拟游戏 SimCity）对患有特定学习障碍（阅读、写作、数学）学生的工作记忆和空间视觉感知的影响。本研究的调查是半实验研究，前测和后测采用单组，统计方法为混合方差分析。统计人群是德黑兰复活四所女孩 Maad 小学三年级、四年级、五年级、六年级的全部 216 名学生，其中 10 人通过随机抽样和可用抽样进行测量。为了收集信息，使用了（Susan pickering 工作记忆测试、Visconsin 卡片分类测试和 Frostig 测试）。结果表明，特定学习障碍（阅读、写作、数学）学生与正常学生在工作记忆和空间视知觉等方面存在差异，而电脑游戏（益智游戏 Moument Valley 和模拟游戏 SimCity）对特定学习障碍（阅读、写作、数学）学生的工作记忆和空间视知觉有影响。 关键词：工作记忆 空间视知觉 学习障碍 电脑游戏 引言 特定学习障碍是指一组异质性障碍，其特征是在言语、阅读、写作、答题或数学技能的习得和使用上存在显著差异。学习障碍是一种在使用口头或书面语言方面存在一种或多种显著障碍，在听、想、说、读、写、拼写或进行数学计算的能力上存在缺陷。特定学习障碍是一种影响儿童接收、处理、分析或存储信息能力的问题。这种障碍会使儿童难以阅读、写作、拼写或解决数学问题 [1]。学生特定学习障碍的主要特征包括：自然智力水平、学习成绩低于预期、学习速度慢、认知发展、教育基础重复、学习水平差异、不同学习、课程学习。能力和技能之间存在显著差异，注意力范围狭窄[2]。换句话说，他们尽管智力正常，却无法学习，虽然成长的各个方面与生物成熟度有直接关系，但一般认为生物和非生物因素都可以发挥作用[3]。人类的学习工具随着环境而变化。如果今天的儿童和青少年
视觉皮层的功能专业化是从训练平行途径中出现的
哺乳动物的视觉系统由平行的分层专业途径组成。不同的途径在使用更适合支持特定下游行为的表示形式方面是专门的。在特定的情况下，最清楚的例子是视觉皮层的腹侧（“ What what”）和背（“ Where”）途径的专业化。这两种途径分别支持与视觉识别和运动有关的行为。至今，深度神经网络主要用作腹侧识别途径的模型。但是，尚不清楚是否可以使用单个深ANN对两种途径进行建模。在这里，我们询问具有单个损失函数的单个模型是否可以捕获腹侧和背途径的特性。我们使用与其他哺乳动物一样的小鼠的数据探讨了这个问题，这些途径似乎支持识别和运动行为。我们表明，当我们使用自我监督的预测损失函数训练深层神经网络体系结构时，我们可以在拟合鼠标视觉皮层的其他模型中胜过其他模型。此外，我们可以对背侧和腹侧通路进行建模。这些结果表明，应用于平行途径体系结构的自我监督的预测学习方法可以解释哺乳动物视觉系统中看到的一些功能专业。
视觉解码从逆转人类视觉系统
在这项工作中，我们提出了梦想，这是一种fMRI到图像的方法，用于重建从大脑活动中查看的图像，基于人类Vi-Sual System的基本知识。我们制作的反向途径模仿了人类如何看待视觉世界的高度和平行性质。这些量身定制的途径专门用于fMRI数据的解密语义，颜色和深度线索，反映了从视觉刺激到fMRI录音的前进途径。这样做，两个组件模仿了人类视觉系统中的反向过程：反向Vi-Sual Toalsosis Cortex（R-VAC）逆转了该大脑区域的途径，从fMRI数据中提取语义；反向平行的PKM（R-PKM）组件同时预测fMRI信号的颜色和深度。实验表明，从外观，结构和语义的一致性方面，我们的方法优于最新模型。代码将在https://github.com/weihaox/dream上提供。