XiaoMi-AI文件搜索系统
World File Search System鲁棒性
使用改良过度Feat CNN的实时车辆和车道检测：一项关于自动驾驶中鲁棒性和性能的全面研究
|摘要该检查研究了使用深刻学习方法的使用，即明确利用卷积脑组织（CNN），以持续识别道路驾驶情况中的车辆和路径限制。该研究通过利用一个包括由各种传感器捕获的注释帧，包括相机，激光雷达，雷达，雷达和GPS捕获的带注释的框架，调查了对CNN体系结构的修改性能。该框架在识别车辆和预期3D的路径形状方面表现出诚意，同时在不同的GPU设置上完成10 Hz以北的功能率。车辆边界盒预测具有很高的精度，对遮挡的阻力和有效的车道边界识别是关键发现。安静，探索强调了该框架在独立驾驶空间中的可能物质性，为该领域的未来改进带来了有前途的道路。
连续可变量子的操作量化...
在实际任务中量子状态实用性的基础的各种资源范围促使开发普遍适用的方法来衡量和比较不同类型的资源。但是，迄今为止，许多此类方法都限于有限维度或与操作任务无关。我们通过引入一种基于鲁棒性度量的连续变量量子系统来量化资源的一般方法来克服这一点，适用于多种物理相关的资源，例如光学非经典性，纠缠，真正的非高斯性和连贯性。我们特别证明该度量具有直接的操作解释，作为一类渠道歧视任务中给定状态的优势。我们表明，鲁棒性构成了任何凸资源理论中的良好，真正的资源量化符，与一种相关的基于负面的措施（称为标准鲁棒性）相反。此外，我们显示了可直接观察到的鲁棒性 - 可以将其计算为单个证人操作员的期望值 - 并建立了评估该度量的一般方法。明确将我们的结果应用于相关资源，我们证明了几类状态的鲁棒性的确切可计算性。
连续变量量子资源的操作量化
在实际任务中量子状态实用性的基础的各种资源范围促使开发普遍适用的方法来衡量和比较不同类型的资源。但是，迄今为止，许多此类方法都限于有限维度或与操作任务无关。我们通过引入一种基于鲁棒性度量的连续变量量子系统来量化资源的一般方法来克服这一点，适用于多种物理相关的资源，例如光学非经典性，纠缠，真正的非高斯性和连贯性。我们特别证明该度量具有直接的操作解释，作为一类渠道歧视任务中给定状态的优势。我们表明，鲁棒性构成了任何凸资源理论中的良好，真正的资源量化符，与一种相关的基于负面的措施（称为标准鲁棒性）相反。此外，我们显示了可直接观察到的鲁棒性 - 可以将其计算为单个证人操作员的期望值 - 并建立了评估该度量的一般方法。明确将我们的结果应用于相关资源，我们证明了几类状态的鲁棒性的确切可计算性。
ScaleHD：通过自适应缩放实现强大的大脑启发式超维计算
受大脑启发的超维计算 (HDC) 在机器人、生物医学信号分析和自然语言处理等各种认知任务中表现出良好的能力。与深度神经网络相比，HDC 模型具有轻量级模型和一次性/少次学习能力等优势，使其成为传统资源密集型深度学习模型的有前途的替代范式，尤其是在资源有限的边缘设备中。尽管 HDC 越来越受欢迎，但尚未对 HDC 模型的鲁棒性和增强 HDC 鲁棒性的方法进行系统分析和充分研究。HDC 依靠称为超向量 (HV) 的高维数值向量来执行认知任务，HV 中的值对于 HDC 模型的鲁棒性至关重要。我们提出了 ScaleHD，一种自适应缩放方法，可以缩放 HDC 模型的联想记忆中的 HV 值，以增强 HDC 模型的鲁棒性。我们提出了三种不同的ScaleHD模式，包括Global-ScaleHD、Class-ScaleHD和(Class+Clip)-ScaleHD，它们基于不同的自适应缩放策略。结果表明，ScaleHD能够将HDC对内存错误的鲁棒性提高到10,000𝑋。此外，我们利用增强的HDC鲁棒性，通过电压缩放方法节省能源。实验结果表明，ScaleHD可以将HDC内存系统的能耗降低高达72.2%，而准确度损失不到1%。
功率运算放大器NSOPA240X 应用于旋转变压器驱动电路
根据旋转变压器的特性，驱动运放需要有以下特性： • 旋转变压器的励磁原边线圈通常是有很低的DCR ( 直流电阻)，通常小于100Ω，因此需要有较强的电流 输出能力才可以驱动线圈，最高至200mA。 • 为了保证的精度以及线性度，在旋转变压器的应用中需要具备较高的SR（压摆率Slew Rate）。 • 旋转变压器的常见激励方式为差分推挽输出，对放大器要求较宽的带宽以及较高的开环增益，以确保信 号不失真。 • 汽车应用EMI 环境复杂，为了保证励磁功率放大电路不被干扰，放大电路需要具备一定的EMI 抑制能力。 • 作为高功率驱动级，需要具备限流和过温关断功能，保证系统的可靠性和鲁棒性。 • 传统的解决方案是利用通用运放和分立三极管搭建高输出电流，电路复杂可靠性低，且并且难以集成热 关断和限流保护等功能。NSOPA240X 运算放大器具有高电流输出能力，最大可支持400mA 的持续电流 输出。并集成了过温关断，限流保护等安全功能，满足各类旋转变压器驱动的需求。
通过强大的优化，可证明神经网络的强大和合理的反事实解释
反事实解释（CES）已成为解释神经网络分类器的主要方法的越来越多的兴趣。通常，输入输出对的CES定义为具有最小距离的数据点，该数据点与输入分类的输入最小距离，而该输入与输出标签相比。要解决模型参数时很容易无效的确定问题（例如，重新培训）研究提出了方法来证明在模型参数变化下由标准球界定的CES鲁棒性。但是，针对这种鲁棒性形式的现有方法并不完整，它们可能会产生令人难以置信的CES，即离群值WRT WRT训练数据集。实际上，没有现有的方法同时优化邻近性和合理性，同时保留鲁棒性保证。在这项工作中，我们提出了可证明的强大和合理的反事实表达（PREPLACE）1，这是一种利用强大优化技术来促进上述文献中限制的方法。我们制定了一种迭代算法来计算可证明可靠的CES并证明其收敛性，健全性和完整性。通过涉及六个基线的比较实验，其中五个靶向鲁棒性，我们表明，在三个评估方面，预言实现了针对指标的最新表现。关键字：可解释的AI；反事实解释；解释的鲁棒性
基于半监督学习的自动驾驶的强大对象检测
基于标记数据的抽象深度学习在计算机视觉，语音识别和自然语言处理方面取得了巨大成功。与未标记的数据相比，标记的数据只是海洋中的下降。人们如何有效地利用未标记的数据？研究重点是无监督和半监督的学习来解决此类问题。一些理论和经验研究证明，未标记的数据可以帮助提高对抗性攻击下的概括能力和鲁棒性。但是，关于鲁棒性和未标记数据之间关系的理论研究将其范围限制为玩具数据集。同时，自主驾驶中的视觉模型需要稳健性的良好改善，以确保安全性和安全性。本文提出了一个半监督的学习框架，用于自动驾驶汽车中的对象检测，从而通过未标记的数据提高了鲁棒性。首先，我们建立了一个基线，并通过学习无监督的对比学习方法-Momentum对比度（MOCO）。其次，我们提出了一种半监督的共同训练方法，以标记未标记的数据以进行重新培训，从而改善了对自主驾驶数据集的概括。第三，我们基于搜索算法使用的无监督边界框数据扩展（BBAG）方法，该方法使用增强构层学习来改善对象检测的鲁棒性来进行自动驾驶。我们介绍了一项关于Kitti数据集的实证研究，该数据集采用了多样化的讽刺攻击方法。我们提出的方法在白色框攻击（DPATCH和上下文补丁）和黑盒攻击（高斯噪音，雨水，雾，雾等）下实现了最新的概括和鲁棒性。我们提出的方法和经验研究表明，使用更未标记的数据有益于自主驾驶中感知系统的鲁棒性。
2023/24 充实计划年鉴
我的工作影响 我研究的一个主要成果是开发了一个框架，该框架可以量化意义如何从基本视图的组合中浮现出来。我们发现，有效地表示涌现可以提供可证明的抗噪声鲁棒性，以及图形语言的自然可解释性。我工作的另一个主题是了解如何安全地利用领域特定信息（大多数算法范式为了鲁棒性而主动丢弃的信息）来学习整体表示，同时保持其鲁棒性。一个共同利用这些发现的示例应用是开发深度神经网络，该网络主要使用在正常天气下获得的数据进行训练，也可以推广到极端天气条件，并能够准确了解网络的哪些组件使其能够推广。
PHYSICAL REVIEW A 101, 052317 (2020) 稳健的量子...
量子计算系统的高精度操作必须对量子硬件中的不确定性和噪声具有鲁棒性。我们表明，通过在不确定性（或噪声）和控制之间进行博弈，可以生成对抗性不确定性样本，以通过搜索纳什均衡来找到高度鲁棒的控制。我们提出了一个广泛的对抗性学习算法系列，即 a-GRAPE 算法，其中包括两种有效的学习方案，在博弈论术语中称为最佳响应方法和更好响应方法，为学习高度鲁棒的控制提供了选择。数值实验表明，保真度和鲁棒性之间的平衡取决于所选对抗性学习算法的细节，这可以有效地显着增强控制鲁棒性，同时实现高保真度。