XiaoMi-AI文件搜索系统
World File Search System计算效率
网格注意力：提高大型视力模型的计算效率，而无需微调
Gridattn集成了提出的网格聚类模块，网格分配策略以及将网格恢复模块与常见的MHA相结合，以提高大型视力模型的计算效率并保持其性能，而无需重新训练或对其参数进行微调。我们对最近的高分辨率任务进行了广泛的实验，包括零摄像实例分割（SAM，Expedit-SAM），文本到图像生成（稳定扩散v2.1）和语义segmentation（segformer b0-b5）。实验表明：通过任何训练或微调，Gridattn将GFLOPS降低[4.6％，16.1％]和GPU推断潜伏期的范围[8.2％，21.4％]，同时达到等效性能（绩效偏见比率低于1％）。此外，提出的实验表明，Gridattn也可以从头开始训练，也可以通过微调的微调成本进行微调，从而大大提高了性能效率 - 折衷方案。作为建议，我们鼓励社区直接部署训练有素的变压器，对预先训练的训练训练，或从头开始训练新的变压器时，将社区合并。源代码将在https://github.com/pengyulpy/gridattn中发布。
基于Q学习的深度Q学习优化，用于高精度计算效率的机器人臂中的路径计划和控制
摘要 - 在机器人臂中的路径计划和控制是在各种工业和研究应用中实现高精度和有效运营的关键挑战。这项研究提出了一种利用深Q学习（DQL）来增强机器人臂运动的计算效率和精度的新方法。提出的框架有效地挑战了关键挑战，例如避免碰撞，路径平滑和动态控制，通过将强化学习技术与先进的运动学建模整合在一起。为了验证所提出的方法的有效性，使用6度自由的机器人组开发了模拟环境，在该机器人的手臂上训练和测试了DQL模型。的结果表明，与传统优化方法相比，达到98.76％的平均路径优化精度的显着提高，并将计算机开销降低了22.4％。此外，拟议的方法还达到了实时响应能力，平均决策延迟为0.45秒，以确保其在时间关键时期的情况下的适用性。这项研究突出了深层学习在革新机器人手臂控制方面的潜力，通过结合精度和计算效率。发现机器人路径计划中的桥梁差距为自动机器人技术和工业自动化的未来进步铺平了道路。进一步的研究可以探索这种方法对更复杂和现实世界中环境的可扩展性，从而巩固了其在新兴技术领域中的相关性。
17 June 2024 学术论文
研究团队开发了自适应采样器ASr，一种基于任务多样性、熵和难度动态加权的分 布生成函数，以优化元学习模型的泛化性能，并为此提出了一种通用的元学习算法。 研究团队在多个基准数据集和不同学习场景下对所提方法进行了广泛实验，包括小 样本学习、跨域学习、多域学习和增量学习等，并从多个维度对方法的有效性、泛化性 、计算效率等进行了评估和对比，结果证明了所提方法在不同网络架构和元学习框架下 的优越性能和通用性。
学习差异方程式具有结构化语法进化的餐后血症预测
结果表明，我们的建议提供了可解释的解决方案，而无需牺牲预测准确性或安全性，并提供了一种有希望的糖尿病管理葡萄糖预测方法，可以平衡准确性，安全性，可解释性和计算效率。
原创研究 AGL-Net：基于脑电图的驾驶员疲劳检测高效神经网络
背景：近年来，由于全球道路上车辆的激增，道路交通安全已成为一个突出问题。驾驶员疲劳检测的挑战在于平衡检测过程的效率和准确性。虽然有各种检测方法，但脑电图 (EEG) 被认为是黄金标准，因为它在检测疲劳方面具有很高的精度。然而，基于 EEG 疲劳检测的深度学习模型受到其大量参数和低计算效率水平的限制，因此难以在移动设备上实现它们。方法：为了克服这一挑战，本文提出了一种基于注意力的 Ghost-LSTM 神经网络 (AGL-Net) 用于基于 EEG 的疲劳检测。AGL-Net 利用注意力机制关注相关特征，并结合 Ghost 瓶颈来有效提取空间 EEG 疲劳信息。使用长短期记忆 (LSTM) 网络提取时间 EEG 疲劳特征。我们建立了两种类型的模型：回归模型和分类模型。在回归模型中，我们使用线性回归来获得回归值。在分类模型中，我们根据从回归获得的预测值对特征进行分类。结果：AGL-Net 比现有的深度学习模型表现出更高的计算效率和更轻量级的设计，其每秒浮点运算数 (FLOPs) 和 Params 值分别为 2.67 M 和 103,530 证明了这一点。此外，AGL-Net 使用上海交通大学 (SJTU) 情绪脑电图数据集 (SEED)-VIG 疲劳驾驶数据集实现了约 87.3% 的平均准确率和约 0.0864 的平均均方根误差 (RMSE)，表明其具有先进的性能。结论：使用 SEED-VIG 数据集进行的实验证明了所提出的疲劳检测方法的可行性和先进性能。通过彻底的消融实验验证了每个 AGL-Net 模块的有效性。此外，Ghost 瓶颈模块的实现大大提高了模型的计算效率。总体而言，该方法比现有的疲劳检测方法具有更高的精度和计算效率，具有相当的实际应用价值。
原创文章 基于脑电图的情绪状态分类降维技术的比较分析
摘要：目的：本研究旨在评估各种降维方法（包括主成分分析 (PCA)、拉普拉斯评分和卡方特征选择）对脑电图 (EEG) 数据集分类性能的影响。方法：我们应用了降维技术，包括 PCA、拉普拉斯评分和卡方特征选择，并使用线性回归、K 最近邻 (KNN) 和朴素贝叶斯分类器评估了它们对 EEG 数据分类性能的影响。对模型的分类准确性和计算效率进行了评估。结果：我们的研究结果表明，所有降维策略通常都能提高或保持分类准确性，同时减少计算负荷。值得注意的是，PCA 和 Autofeat 技术可提高模型的准确性。结论：使用降维技术可以通过减少计算需求而不影响准确性来增强 EEG 数据分类。这些结果表明，这些技术有可能应用于既需要计算效率又需要高精度的场景。本研究中使用的代码可在https://github.com/movahedso/Emotion-analysis找到。
轻量级图像的完全1×1卷积网络...
摘要：深层卷积神经网络，尤其是具有较大内核的大型模型（3 3或更多），已经在单像超分辨率（SISR）任务中取得了重大进展。但是，此类模型的大量计算足迹阻止了它们在实时，资源约束的环境中的影响。相反，1 1卷积具有实质性的计算效率，但在汇总局部空间表示方面挣扎，这是SISR模型的重要能力。响应这种二分法，我们建议统一3 3和1 1个内核的优点，并利用其轻巧的SISR任务的巨大潜力。具体，我们提出了一个简单而有效的1 1 1卷积网络，称为基于Shift-Conv的网络（SCNET）。通过合并无参数的空间移动操作，完全1 1卷积网络配备了强大的表示能力和令人印象深刻的计算效率。广泛的实验表明，尽管SCNET完全1 1 1卷积结构，但始终匹配甚至超过了采用常规卷积的现有轻质SR模型的性能。可以在https://github.com/aitical/scnet上找到代码和验证的模型。