XiaoMi-AI文件搜索系统
World File Search System轻量级
安全增强的轻量级和匿名的用户身份验证方案，用于基于物联网的医疗保健
I.医学互联网（IOMT）是医疗设备和应用程序的收敛，可以使用网络技术连接到医疗保健信息技术系统[1]。过去几年中，IOMT的发展是由医疗保健领域中无线医疗传感器网络（WMSN）广泛使用的驱动。过去几年中，WMSN在医疗保健领域广泛使用了IOMT的发展[2]。在这样的情况下，将各种复杂的传感器设备放置在患者中，以收集和监视其生理参数，而不会损害其舒适性并将数据无线传输到医生的手持设备，例如平板电脑，智能手机和其他设备。基于这些数据，医生可以更全面地评估患者的健康状况。尽管收集了所有数据
AML-Net：基于注意力机制的医疗物联网脑肿瘤分割多尺度轻量级模型
摘要 利用 MRI 图像进行脑肿瘤分割对于疾病诊断、监测和治疗计划非常重要。到目前为止，已经为此开发了许多编码器-解码器架构，其中 U-Net 的使用最为广泛。然而，这些架构需要大量参数来训练，并且存在语义差距。一些工作试图制作一个轻量级模型并进行通道修剪，但这会产生较小的感受野，从而影响准确性。为了克服上述问题，作者提出了一种基于注意机制的多尺度轻量级模型 AML-Net，用于医疗物联网。该模型由三个小型编码器-解码器架构组成，它们使用不同尺度的输入图像以及先前学习的特征进行训练以减少损失。此外，作者设计了一个注意力模块来取代传统的跳过连接。对于注意力模块，进行了六个不同的实验，其中具有空间注意力的扩张卷积表现良好。这个注意力模块有三个扩张卷积，它们形成了一个相对较大的感受野，然后是空间注意力，以从编码器低级特征中提取全局上下文。然后将这些精细特征与解码器同一层的高级特征相结合。作者在 Cancer Genome Atlas 提供的低级别胶质瘤数据集上进行实验，该数据集至少具有液体衰减反转恢复模态。与 Z-Net、U-Net、Double U-Net、BCDU-Net 和 CU-Net 相比，所提出的模型的参数分别少 1/43.4、1/30.3、1/28.5、1/20.2 和 1/16.7。此外，作者的模型给出的结果为 IoU = 0.834、F 1-score = 0.909 和灵敏度 = 0.939，大于 U-Net、CU-Net、RCA-IUnet 和 PMED-Net。
3D 医学轴向变压器：用于 3D 脑肿瘤分割的轻量级变压器模型
近年来，基于 Transformer 的模型在医学图像分割领域备受关注，研究也在探索将其与 Unet 等成熟架构相结合的方法。然而，这些模型对计算的要求很高，导致当前大多数方法都侧重于分割 MRI 或 CT 图像的 2D 切片，这会限制模型学习深度轴上语义信息的能力，导致输出边缘不均匀。此外，医学图像数据集（尤其是用于脑肿瘤分割的数据集）规模较小，这对训练 Transformer 模型构成了挑战。为了解决这些问题，我们提出了 3D 医学轴向 Transformer (MAT)，这是一种用于 3D 脑肿瘤分割的轻量级端到端模型，它采用轴向注意机制来降低计算需求，并通过-distillation 来提高在小数据集上的性能。结果表明，我们的方法比其他模型具有更少的参数和更简单的结构，实现了卓越的性能并产生了更清晰的输出边界，使其更适合临床应用。代码可在 https://github.com/AsukaDaisuki/MAT 上找到。关键词：深度学习、3D 脑肿瘤分割、3D Transformer、轴向注意力、自我蒸馏
利用轻量级预训练模型进行脑肿瘤检测
摘要。本研究分析了两种用于脑肿瘤检测的深度学习模型：轻量级预训练的 MobileNetV2 和将轻量级 MobileNetV2 与 VGG16 相结合的新型混合模型。目的是研究这些模型在准确性和训练时间方面的性能和效率。新的混合模型整合了两种架构的优势，利用了 MobileNetV2 的深度可分离卷积和 VGG16 的更深层特征提取功能。通过使用公开的基准脑肿瘤数据集进行实验和评估，结果表明，与独立的 MobileNetV2 模型相比，混合模型的训练准确率和测试准确率分别达到 99% 和 98%，即使在较低的 epoch 中也是如此。这种新型融合模型为增强脑肿瘤检测系统提供了一种有前途的方法，在减少训练时间和计算资源的情况下提高了准确性。
使用 PUF 和哈希的轻量级远程证明......
远程证明是一种强大的机制，它允许验证者知道物联网 (IoT) 设备 (充当证明者) 的硬件是否被伪造或篡改，以及其固件是否被更改。远程证明基于以可信方式收集和报告测量值，对于资源受限的物联网设备来说应该是轻量级的。这项工作建议在证明者中包含一个低成本的测量和报告可信根 (RoTMR)，该根基于物理不可克隆函数 (PUF) 和证明只读存储器 (A-ROM) 的组合，并在证明协议中使用基于哈希的数字签名。建议的 RoTMR 针对基于微控制器的物联网设备，该微控制器执行位于攻击者可访问的外部非易失性存储器中的一些应用程序代码 (可测量对象)。数字签名所需的密钥不存储，而是使用 PUF 重建。 A-ROM 包含证明指令，并确保其内容无法更改，并且其指令按顺序执行而无需修改。使用基于哈希的数字签名使解决方案具有抗量子性和非常强大的功能，因为其安全性完全依赖于哈希函数的单向性。所提出的证明协议利用了以下事实：一次性签名 (OTS) 生成和多次签名 (MTS) 验证非常适合低端设备，而 MTS 方案适用于验证器应用程序环境。该提案已通过实验验证，使用广泛用于物联网设备的 ESP32 微控制器，使用其 SRAM 作为 PUF 并实施 WOTS+，这是一种 Winternitz 一次性签名方案 (WOTS)、智能数字签名的一次性签名方案 (SDS-OTS) 以及用它们构建的 MTS 方案。与 MTS 和 ECDSA（椭圆曲线数字签名算法）相比，OTS 方案需要更小的代码，因此 A-ROM 更小。其中一个 WOTS+ 的代码占用的空间比 ECDSA 少 4 倍左右。在执行时间方面，OTS 方案非常快。其中一个 WOTS+ 在几十毫秒内执行所有签名操作。OTS 方案（尤其是 SDS-OTS）在通信带宽方面也非常高效，因为它们与其他后量子解决方案相比使用较小的签名。© 2023 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
基于忆阻器的轻量级、高鲁棒性的混合神经网络
基于忆阻器的神经形态计算在高速、高吞吐量信号处理应用（如脑电图 (EEG) 信号处理）中显示出巨大潜力。尽管如此，单晶体管单电阻 (1T1R) 忆阻器阵列的大小受到器件非理想性的限制，这阻碍了大型复杂网络的硬件实现。在本文中，我们提出了深度可分离卷积和双向门循环单元 (DSC-BiGRU) 网络，这是一种基于 1T1R 阵列的轻量级且高度稳健的混合神经网络，通过混合 DSC 和 BiGRU 块，能够在时间、频率和空间域中有效处理 EEG 信号。在确保网络分类准确性的同时，网络规模减小了，网络稳健性提高了。在模拟中，通过统计分析将测得的 1T1R 阵列的非理想性带入网络中。与传统卷积网络相比，在阵列成品率95%、容错率5%的条件下，网络参数减少了95%，网络分类准确率提高了21%。该工作表明，基于忆阻器阵列的轻量级、高鲁棒网络对于依赖低消耗和高效率的应用具有巨大的前景。
通过轻量级端到端技术实现高效的脑肿瘤检测...
摘要：在医学成像领域，深度学习取得了长足进步，尤其是在脑肿瘤诊断方面。医疗物联网 (IoMT) 使得将这些深度学习模型结合到先进的医疗设备中成为可能，以实现更准确、更高效的诊断。卷积神经网络 (CNN) 是一种流行的脑肿瘤检测深度学习技术，因为它们可以在大量医学成像数据集上进行训练，以识别新图像中的癌症。尽管深度学习具有更高的准确性和效率等优点，但它也存在一些缺点，例如计算成本高以及由于训练数据不足而导致结果出现偏差的可能性。需要进一步研究以充分了解深度学习在 IoMT 脑肿瘤检测中的潜力和局限性，并克服与实际实施相关的障碍。在这项研究中，我们提出了一种新的基于 CNN 的脑肿瘤检测深度学习模型。建议的模型是一个端到端模型，与早期的深度学习模型相比，它降低了系统的复杂性。此外，我们的模型很轻量，因为与其他以前的模型相比，它由较少的层构成，这使得该模型适合实时应用。准确率快速提高（二分类准确率为 99.48%，多分类准确率为 96.86%）的乐观结果表明，新的框架模型在比赛中表现出色。这项研究表明，所提出的深度模型在检测脑肿瘤方面优于其他 CNN。此外，该研究还提供了一个用于安全传输医学实验室结果的框架，并提出了安全建议，以确保 IoMT 的安全。
MAMBO：用于多尺度材料和应用的轻量级本体
摘要：计算和实验工具的进步最近导致了新型先进功能材料开发的重大进展，与此同时，材料数据和信息总量也迅速增长。然而，要有效发挥先进数据密集型方法的潜力，需要在材料研究和开发背景下系统而有效地组织知识。语义技术可以支持知识的结构化和形式化组织，为数据的集成和互操作性提供平台。在本文中，我们介绍了材料和分子基础本体 (MAMBO)，旨在组织分子材料和相关系统（纳米材料、超分子系统、分子聚集体等）计算和实验工作流领域的知识。MAMBO 结合了相邻领域材料科学本体的最新努力，旨在填补当前最先进的材料开发和设计知识建模方法的空白，针对分子尺度和更高尺度领域的交叉领域。 MAMBO 专注于操作流程、轻量级和模块化，能够扩展到更广泛的知识领域，并集成与计算和实验工具相关的方法和工作流程。MAMBO 有望推动数据驱动技术在分子材料中的应用，包括用于材料设计和发现的预测机器学习框架和自动化平台。