XiaoMi-AI文件搜索系统
World File Search System跟踪的
基于体内标签和细胞跟踪的新视觉
摘要：尽管有有关心脏病的不同遗传，表观遗传和分子特征的广泛信息，但先天性心脏缺陷的起源仍然未知。大多数遗传学和分子研究是在胚胎心脏进行性解剖学和组织学变化的背景下进行的，这是对先天性心脏病起源有限了解的原因之一。我们整合了有关人类胚胎的描述性研究的发现，以及对雏鸡，大鼠和小鼠胚胎的实验研究。这项研究基于心脏发展的新动态概念和两个心脏场的存在。第一个场地对应于直式心管，从第二个心脏场中的中胚层细胞逐渐募集到其中。总体目的是为心脏和大动脉的先天性缺陷的分析，诊断和区域化分类创造新的愿景。除了强调遗传因素在先天性心脏病的发展中的重要性外，本研究还提供了有关直心管的组成，扭曲和折叠的过程以及右心室的发展的命运的新见解。基于体内标记和细胞跟踪的新视力，并通过诸如胃类和器官等模型增强，这有助于更好地理解心脏形态发生的重要误差，这可能导致几种先天性心脏病。
用于对象跟踪的深度脉冲神经网络
摘要 — 脉冲神经网络 (SNN) 是一种生物学上合理的模型，具有高计算能力和低功耗的优点。而深度 SNN 的训练仍然是一个悬而未决的问题，这限制了深度 SNN 的实际应用。在这里，我们提出了一种名为 Spiking SiamFC++ 的深度 SNN 架构，用于通过端到端直接训练进行对象跟踪。具体而言，在时间域上扩展 AlexNet 网络以提取特征，并采用代理梯度函数实现深度 SNN 的直接监督训练。为了检查 Spiking SiamFC++ 的性能，考虑了几个跟踪基准，包括 OTB2013、OTB2015、VOT2015、VOT2016 和 UAV123。发现与原始 SiamFC++ 相比，精度损失很小。与现有的基于 SNN 的目标跟踪器（例如 SiamSNN）相比，所提出的 Spiking SiamFC++ 的精度（连续性）达到 85.24%（64.37%），远高于 SiamSNN 实现的 52.78%（44.32%）。据我们所知，Spiking SiamFC++ 的性能优于现有的基于 SNN 的对象跟踪的先进方法，这为 SNN 在目标跟踪领域的应用提供了一条新途径。这项工作可能会进一步促进 SNN 算法和神经形态芯片的发展。
最大功率点跟踪的全面回顾
本文的研究重点是用于纳米卫星平台的电力系统 (EPS) 的相关领域，该系统具有适当的电气结构和有效的控制策略。本文概述了相关的最大功率点跟踪 (MPPT) 算法，旨在提出更合适的控制技术。这项研究的主要贡献是实施了一种新颖的模糊逻辑控制 (FLC) 策略，该策略显着减少了最大功率点 (MPP) 周围的纹波，从而提高了收敛的效率和灵活性以及响应时间。进行了比较研究和分析，以证明所提出的 FLC 的性能和有效性。评估是在用于 MPPT 的最常用方法（扰动和观察 (P&O) 和增量电导 (INC)）之间进行比较进行的。获得的结果非常可观，表明与本文讨论的其他技术相比，所提出的 FLC 技术可以在不同的空间环境条件下提取最高和最稳定的平均功率。
利用李群进行多目标跟踪的几何方法
第 1 章 简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................................................. 16 1.1.4 李群 .................................................................................................................................................................................................. 18 1.2 跟踪算法 .................................................................................................................................................................................. 19 1.2.1 最近邻滤波器 .................................................................................................................................................................. 19 1.2.1 最近邻滤波器 .................................................................................................................................................................. 19 . . . 19 1.2.2 全局最近邻滤波器. . . . . . . . . . . 19 1.2.3 概率数据关联滤波器. . . . . . . . . . . 20 1.2.4 联合概率数据关联滤波器. . . . . . . . . . 20 1.2.5 多重假设跟踪. . . . . . . . . . . . 21 1.2.6 概率多假设跟踪器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...
用于移动目标搜索和跟踪的协作无人机框架
最近，协作式无人机 (UAV) 已用于多种复杂的军事和民用应用中。移动目标搜索 (MTS) 和移动目标跟踪 (MTT) 是需要协作式无人机参与的基于 UAV 的应用之一。因此，本文提出了一种用于 MTS 和 MTT 的协作式无人机框架，称为 (CF-UAVs-MTST)。CF-UAVs-MTST 基于 GzUAV 联合模拟器。它提供了一种 MTS 机制来为 UAV 生成空中航路点。MTS 算法考虑了飞行速度和高度以及机载摄像机的分辨率。MTS 算法可确保有效的覆盖率，约为 96.2%。在执行 MTS 任务时，将运行一种基于级联分类器的算法来检测目标。此外，我们提供了一种 MTT 机制来估计目标运动并设计最佳跟踪路径。仿真结果表明，CF-UAVs-MTST 可以实现快速且高精度的跟踪。
从心理负荷跟踪的亲身经历看消费者神经技术的伦理顾虑和看法
随着消费者神经技术的快速发展，为了将消费者的伤害降到最低，考虑其中的伦理影响至关重要。虽然之前已经提出了商业化的伦理和法律准则，但我们旨在通过调查消费者神经技术的潜在最终用户的伦理顾虑来进一步讨论这一问题。我们采访了 19 名曾在日常生活中经历过心理工作量跟踪的参与者，询问他们对这种未来神经技术的伦理顾虑和看法。解释现象学分析 (IPA) 方法确定了三个上级主题。这些主题涉及隐私、数据有效性和误解以及个人身份等问题。研究结果进一步验证了之前的研究，并强调了在神经技术商业化中应考虑的进一步伦理问题。
无框神经训练，具有计算机视觉和实时跟踪的床边外部室外排放位置：尸体研究
客观，通过图像指导技术改善床旁神经外科手术程序安全性和准确性的主要障碍是缺乏针对移动患者的快速部署，实时的注册和跟踪系统。这种缺陷解释了外部室排水的徒手放置的持续性，该室外排水口具有不准确定位的固有风险，多次通过，流血出血以及对邻近脑实质的伤害。在这里，作者介绍并验证了无框立体神经纳维加菌和导管放置的新型图像登记和实时跟踪系统。方法使用计算机视觉技术来开发一种几乎连续，自动和无标记的图像注册的算法。该程序融合了受试者的预处理CT扫描中的3D摄像头图像（快照表面），并且通过人工智能驱动的重新校准（Real-Track）进行了患者运动。计算了5个发生串行运动（快速，缓慢的速度滚动，俯仰和偏航运动）的5个尸体头部的表面注册误差（SRE）和目标注册误差（TRE），以及几个测试条件，例如有限的解剖学暴露和不同的受试者照明。使用模拟的无菌技术将六个导管放在每个尸体头（总计30个位置）中。过程后CT扫描允许比较计划的和实际导管位置，以进行用户错误计算。的结果注册对于所有5个尸体标本都成功，导管放置的总体平均值（±标准偏差）SRE为0.429±0.108 mm。TRE的精度在1.2毫米以下保持在1.2 mm的范围内，整个标本运动的低速和高速滚动，俯仰和偏航的速度最高，重新校准时间最慢，为0.23秒。当样品被覆盖或完全不覆盖时，SRE没有统计学上的显着差异（p = 0.336）。在明亮的环境与昏暗的环境中进行注册对SRE没有统计学上的显着影响（分别为p = 0.742和0.859）。对于导管放置，平均TRE为0.862±0.322 mm，平均用户误差（目标和实际导管尖端之间的差异）为1.674±1.195 mm。结论这个基于计算机视觉的注册系统提供了对尸体头的实时跟踪，其重新校准时间少于四分之一的一秒钟，并具有亚毫升准确性，并启用了毫米准确性的导管放置。使用这种指导床旁心室造口术可以减少并发症，改善安全性并将其推断到清醒，非肌化患者中的其他无框立体定向应用。
开发用于小型无人机跟踪的外围-中央视觉系统
两种基于图像的传感方法被融合以模拟人类视觉，以支持空中检测和避免以及反无人机系统应用。在所提出的传感系统架构中，外围视觉摄像头（带鱼眼镜头）提供大视野，而中央视觉摄像头（带透视镜头）提供特定目标的高分辨率图像。除了两个摄像头和支持算法的互补能力以实现被动检测和分类之外，这对摄像头还形成了一个可以支持距离分辨率的异构立体视觉系统。本文介绍了一种新型外围 - 中央视觉系统的开发和测试，该系统用于检测、定位和分类空中威胁。该系统用于生成各种模拟威胁的数据集，以便通过实验验证威胁定位误差的参数分析。还描述了基于蒙特卡罗模拟的系统性能分析，进一步深入了解了系统参数对威胁定位精度的影响。
用于带电粒子跟踪的量子模式识别算法
然而，HL-LHC 的覆盖范围依赖于比 LHC 高一个数量级的亮度，这意味着每次光束碰撞时发生的额外质子-质子相互作用的数量（也称为堆积，μ）将增加 3 到 5 倍，达到每次碰撞 140 到 200 次额外的相互作用。因此，HL-LHC 的计算环境将极具挑战性，目前的预测表明，处理数据所需的计算资源将超过预算预测。用于重建带电粒子轨迹的模式识别算法是重建模拟数据和碰撞数据事件的关键挑战。模式识别算法 [5] 可大致分为全局方法或局部方法。全局模式识别方法通过同时处理来自全探测器的所有测量值来寻找轨迹。全局方法的例子包括保角映射或变换方法，如霍夫变换 [6、7] 和神经网络 [8]。局部模式识别方法根据探测器局部区域的测量结果生成轨迹种子，然后搜索其他命中点以完成轨迹候选。局部方法的示例包括轨迹道路和轨迹跟踪方法，例如卡尔曼滤波器 [9-11]。模式识别算法通常在找到种子之后的轨迹重建序列中运行。一旦通过模式识别算法识别出沉积的能量集，就可以通过拟合算法确定轨迹的参数。用于描述轨迹的参数取决于探测器的几何形状，但通常使用五个（如果包含时间信息，则为六个）参数。轨迹参数通常包括动量（与曲率成反比）、描述传播方向的角度以及用于表征起点的撞击参数。为了说明 HL-LHC 所带来的挑战，图 1 显示了每个事件的处理时间与堆积的关系，该图使用了 ATLAS 实验使用基于卡尔曼滤波器的模式识别序列记录的数据。处理时间与 μ 的增加成比例，这是模式识别算法的典型特征。在 HL-LHC 中，μ 的预期值将明显位于曲线的右侧，因此需要大量的 CPU 资源。未来的强子对撞机（例如未来环形对撞机项目中提出的强子-强子对撞机 [ 13 ]），预计会出现更多的堆积，每个事件可能最多增加 1000 次相互作用。由于这一挑战，开发用于高能物理模式识别的新算法和新技术目前是一个非常活跃的发展领域。本文概述了正在进行的研究，以确定量子计算机在未来如何用于模式识别算法。量子计算机最早是在 40 多年前提出的 [14-16]，最初的想法是开发一种利用自然界中的量子过程来更好地模拟自然的计算机。十年后，量子算法的发展引起了人们的进一步兴趣，这些算法展示了量子计算机解决经典难题的潜力，包括质数分解 [17] 和搜索算法 [18,19]。第一台量子计算机基于现有的核磁共振技术 [20-22]。最近，我们进入了所谓的噪声中型量子 (NISQ) 时代 [23]，量子计算机具有数十个逻辑量子位，可以超越当前经典计算机的能力，尽管受到显著噪声的限制。量子位是经典计算机上用于存储信息的比特的量子类似物。目前可用的量子计算机可分为量子退火器或基于电路的量子计算机。量子退火器旨在解决特定类型的问题：最小化目标函数，由于量子隧穿效应，量子退火有望更快地解决最小化问题。D-Wave 生产目前最多 5000 个量子比特的商用量子退火器 [ 24 ]。基于电路的量子计算机可用于解决更广泛的问题，因此在概念上与当今的数字计算机更相似。它们由使用各种技术由量子比特制成的量子电路组成。目前正在探索的量子比特技术包括超导晶体管、离子阱和拓扑量子比特。例如，IBM量子退火器旨在解决特定类型的问题：最小化目标函数，由于量子隧穿效应，量子退火有望更快地解决最小化问题。D-Wave 生产商用量子退火器，目前最多有 5000 个量子比特 [ 24 ]。基于电路的量子计算机可用于解决更广泛的问题，因此在概念上与当今的数字计算机更相似。它们由使用各种技术由量子比特制成的量子电路组成。目前正在探索的量子比特技术包括超导晶体管、离子阱和拓扑量子比特。例如，IBM量子退火器旨在解决特定类型的问题：最小化目标函数，由于量子隧穿效应，量子退火有望更快地解决最小化问题。D-Wave 生产商用量子退火器，目前最多有 5000 个量子比特 [ 24 ]。基于电路的量子计算机可用于解决更广泛的问题，因此在概念上与当今的数字计算机更相似。它们由使用各种技术由量子比特制成的量子电路组成。目前正在探索的量子比特技术包括超导晶体管、离子阱和拓扑量子比特。例如，IBM
基于SSVEP，EOG和眼动物跟踪的混合脑计算机界面中使用强制反馈设备用于排序项目
摘要：针对从人类有机体衍生的信号的研究变得越来越流行。在这个领域，基于脑电波的脑部计算机界面扮演了特殊的角色。由于脑电图记录设备和较低的设定价格的缩小尺寸，它们变得越来越受欢迎。不幸的是，此类系统在生成的命令数量方面受到很大的限制。这尤其适用于不是医疗设备的集合。本文提出了一个基于稳态视觉诱发电位（SSVEP），EOG，眼睛跟踪和力反馈系统的混合脑计算机系统。这样的扩展系统消除了许多特定的系统缺点，并提供了更好的结果。本文的第一部分介绍了有关混合脑部计算机系统中应用的方法的信息。根据操作员将机器人的尖端放置在指定位置的能力来测试提出的系统。提出了工业机器人的虚拟模型，该模型用于测试。在现实生活中的工业机器人上重复测试。通过启用和禁用的反馈系统验证了系统的定位精度。在模型和真实对象上进行的测试结果清楚地表明，在由操作员控制时，力反馈提高了机器人尖端的定位精度。此外，模型和现实生活中的工业模型的结果非常相似。在下一阶段，对使用BCI系统进行分类项目的可能性进行了研究。该研究是在模型和真正的机器人上进行的。结果表明，可以使用来自人体的生物信号进行排序。