XiaoMi-AI文件搜索系统
World File Search System轻量级
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
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
钓鱼者：使用轻量级水下车辆操纵器系统的干预任务的自主框架
摘要 - 为轻量级的水下车辆操纵器系统（UVM）开发自主干预措施在近年来引起了极大的关注，因为这些系统有机会降低干预运营成本。开发自主UVMS功能是具有挑战性的，因为缺乏可用的标准软件框架和管道。以前的作品为水下车辆提供了模拟环境和部署管道，但没有提供完整的UVMS软件框架。我们通过创建钓鱼者来解决此差距：用于开发本地化，控制和决策算法的软件框架，并支持模拟传输。我们通过实现最新的控制架构来验证此框架，并证明具有平均误差低于0.25 m的平均误差和Waypoint跟踪的能力，平均最终误差为0.398 m。
增强轻量级认证加密方案抵御统计无效故障攻击的能力
资源受限的设备越来越多地使用，这些设备内存更少、计算资源更少、电源更少，这促使人们采用轻量级密码术来提供安全解决方案。ASCON 是 NIST 轻量级密码术竞赛的决赛入围者，GIMLI 是第二轮候选者。ASCON 是一种基于海绵函数的认证加密 (AE) 方案，适用于高性能应用。它适用于物联网 (IoT) 等环境，在这种环境中，大量非常受限的设备与高端服务器通信。缺点是可能出现统计无效故障攻击 (SIFA) 和子集故障分析 (SSFA) 等故障分析。GIMLI 也是一种基于海绵函数的 AE 方案，易受 SIFA 攻击。在这项工作中，我们修改了 ASCON 128a 和 GIMLI，利用元胞自动机 (CA) 的伪随机特性来防止这些攻击。我们分析并表明这些攻击不适用于增强密码。
实时3D对象检测的轻量级卷积神经网络在道路和铁路环境中
抽象的智能移动性和自动驾驶汽车（AV），必须非常精确地了解环境，以保证可靠的决策，并能够将公路部门获得的结果扩展到铁路等其他领域。为此，我们基于Yolov5引入了一个新的单阶段单眼3D对象检测卷积神经网络（CNN），该卷积神经网络（CNN）致力于公路和铁路环境的智能移动性应用。要执行3D参数回归，我们用混合锚盒替换了Yolov5的锚点。我们的方法有不同的模型大小，例如yolov5：小，中和大。我们提出的新模型已针对实时嵌入DED约束（轻巧，速度和准确性）进行了优化，该模型利用了被分裂注意的改进（SA）卷积所带来的改进（称为小型分裂注意模型（SMALL-SA）。为了验证我们的CNN模型，我们还通过利用视频游戏Grand Theft Auto V（GTAV）来引入一个新的虚拟数据集，以针对道路和铁路环境。我们在Kitti和我们自己的GTAV数据集上提供了不同模型的广泛结果。通过我们的结果，我们证明了我们的方法是最快的3D对象检测，其准确性结果接近Kitti Road数据集上的最新方法。我们进一步证明，GTAV虚拟数据集上的预训练过程提高了实际数据集（例如Kitti）的准确性，从而使我们的方法比最先进的方法获得了更高的准确性，该方法具有16.16％的3D平均均衡性精度，而硬CAR检测的推理时间为11.1 MS/rtx 3080 gpu的推理时间为11.1 s/simage。
![arxiv：2307.09283v8 [CS.CV] 2024年3月14日](/simg/g:\will\search\icon\source\2\231e683527f9f038ee06512ba838618d224b6bd2.webp)
arxiv：2307.09283v8 [CS.CV] 2024年3月14日
最近，在资源受限的移动设备上，轻巧的视觉变形金刚（VITS）具有出色的性能和较低的潜伏期，与轻量级卷积神经网络（CNNS）组成。搜索者发现了轻巧的VIT和轻量级CNN之间的许多结构连接。但是，尚未对块结构，宏和微观设计的显着建筑差异进行检查。在这项研究中，我们从VIT的角度和震撼人心的移动设备前景中重新审视了轻量级CNN的有效性。指定，我们通过集成了轻量级VIT的有效建筑设计，从而增强了标准轻量级CNN（即Mobilenetv3）的移动友好性。这最终带有一个新的纯轻质CNN家族，即重新投资。广泛的实验表明，重新投资优于现有的最先进的轻量级VIT，并在各种视觉任务中表现出有利的延迟。值得注意的是，在ImageNet上，Repvit在iPhone 12上以1.0毫秒的延迟达到了80％的前1次精度，这是我们最佳的首次使用轻量级型号。此外，当Repvit与SAM遇到SAM时，我们的Repvit-SAM比Advanced Mobilesam可以实现近10×的推理。代码和模型可在https：//github.com/thu-mig/repvit上找到。
用于 P300 解码的轻量级多尺度卷积神经网络：训练策略分析与网络决策揭示
卷积神经网络 (CNN) 可以自动从原始数据中学习特征以近似函数，这种网络越来越多地应用于脑电图 (EEG) 信号的端到端分析，尤其是用于解码脑机接口 (BCI) 中的大脑状态。尽管如此，CNN 引入了大量可训练参数，可能需要较长的训练时间，并且缺乏学习到的特征的可解释性。本研究的目的是提出一种用于 P300 解码的 CNN 设计，重点在于其在保证高性能的同时的轻量级设计、不同训练策略的影响以及使用事后技术来解释网络决策。所提出的设计名为 MS-EEGNet，以高效和优化（就可训练参数而言）的方式学习了两个不同时间尺度（即多尺度，MS）中的时间特征，并在三个 P300 数据集上进行了验证。使用不同的策略（参与者内和会话内、参与者内和跨会话、留一法、迁移学习）训练 CNN，并与几种最先进的 (SOA) 算法进行了比较。此外，分析了基线 MS-EEGNet 的变体，以评估不同超参数对性能的影响。最后，使用显着图来推导驱动 CNN 决策的相关时空特征的表示。尽管 MS-EEGNet 具有多个时间尺度，但它与测试的 SOA CNN 相比是最轻的 CNN，并且明显优于 SOA 算法。事后超参数分析证实了 MS-EEGNet 创新方面的优势。此外，MS-EEGNet 确实受益于迁移学习，尤其是使用少量训练示例，这表明所提出的方法可用于 BCI 中以准确解码 P300 事件，同时减少校准时间。从显著性图得出的表示与 P300 时空分布相匹配，进一步验证了所提出的解码方法。本研究通过专门解决轻量级设计、迁移学习和可解释性方面的问题，有助于推动基于 P300 的 BCI 深度学习算法的开发。
基于轻量级传感器网络和特征数字序列的飞机智能复合材料蒙皮冲击监测
摘要：由于复合材料在飞机结构中的应用越来越广泛，需要开发能够对大型复合材料结构进行冲击监测的飞机智能复合材料蒙皮（ASCS）。然而，飞机复合材料结构的冲击是一个随机瞬态事件，需要连续在线监测。因此，ASCS的传感器网络和相应的需要作为机载设备安装在飞机上的冲击监测系统必须满足轻量化、低功耗和高可靠性的要求。为了实现这一点，已经提出并开发了一种基于压电传感器和导波的冲击区域监测器（IRM）。它将压电传感器输出的冲击响应信号转换为特征数字序列（CDS），然后采用简单但有效的冲击区域定位算法，实现轻量化和低功耗的冲击监测。但由于ASCS传感器数量庞大，轻量化传感器网络的实现仍是实现可应用的ASCS进行在线连续撞击监测的关键问题。本文提出了三种轻量化压电传感器网络，包括连续串联传感器网络、连续并联传感器网络和连续异构传感器网络。它们可以大大减少ASCS压电传感器的引线，也可以大大减少IRM的监测通道。此外，还提出了基于CDS和轻量化传感器网络的撞击区域定位方法，以使轻量化传感器网络可以应用于具有大量压电传感器的ASCS的在线连续撞击监测。在某无人机复合材料翼盒上验证了轻量化压电传感器网络及相应的撞击区域定位方法。弹着点定位准确率高于92%。
面向可持续城市发展的深度学习和基于智能能源的轻量级城市电力负荷预测模型
模型来规划城市的电力调度方式，估计城市电力负荷的未来趋势，并确定将电力损耗降至最低并维持稳定供需平衡的发电量（Mahajan 等人，2022 年）。准确的城市智能电力负荷预测对于城市电网保持稳定和财务可持续性至关重要。由于企业在周日停止运营，城市电力负荷数据中的电力负荷规模在周日通常比工作日小。这导致电力负荷预测中的数据不一致。现有的多模型系统（Huseien 和 Shah，2022 年）根据各种负荷分布划分电力负荷数据集，然后为每个子集创建预测模型并提供不同的预测。然而，开发包含许多模型的模型会增加总成本，并将电力分布的共享特性分割到各种负荷分布变化中（Xie 等人，2024 年）。
复合和智能
编辑信息我们很高兴地报告应用机械部轻量级结构实验室的就职典礼。如今，许多行业涉及减肥，这是材料和组件设计和开发的关键因素。 因此，为此目的，技术之一是使用轻量级结构。 但是，这些结构带来了挑战：它们需要轻巧，但也必须安全，耐用且易于维护。 如何完成？ 有一个三角形，其顶点显示了各种过程之间的相互作用，即形状设计，基础材料和制造之间的相互作用。 从成功和失败中获得的证据表明，这三个要素之间的相互作用对于成功的设计和最终产品至关重要。 设计原理的轻量级结构；耐用性和疲劳；测试；具有复合材料和智能材料的制造方法和力学具有重要意义。 因此，在具有高科技和动态性的新世界中，行业的工程师和经理以及与设计过程相关的人应练习轻巧的结构，绝对轻量级！如今，许多行业涉及减肥，这是材料和组件设计和开发的关键因素。因此，为此目的，技术之一是使用轻量级结构。但是，这些结构带来了挑战：它们需要轻巧，但也必须安全，耐用且易于维护。如何完成？有一个三角形，其顶点显示了各种过程之间的相互作用，即形状设计，基础材料和制造之间的相互作用。从成功和失败中获得的证据表明，这三个要素之间的相互作用对于成功的设计和最终产品至关重要。设计原理的轻量级结构；耐用性和疲劳；测试；具有复合材料和智能材料的制造方法和力学具有重要意义。因此，在具有高科技和动态性的新世界中，行业的工程师和经理以及与设计过程相关的人应练习轻巧的结构，绝对轻量级！