了解有关UC TechAlerts的更多信息–订阅类别并获得有关新UC技术的通知

浏览类别:计算机>软件

类别

[在类别内搜索]

奶牛呼吸系统疾病风险评估工具

加州大学戴维斯分校的研究人员已经开发出一套系统来评估、评估和设计一套全面的控制和预防计划,以预防断奶前奶牛的呼吸系统疾病。

高效高维计算的硬件协同优化算法

随着物联网的出现,许多应用程序运行机器学习算法来执行认知任务。学习算法已经被证明在目标跟踪、语音识别、图像分类等许多任务中都是有效的。然而,由于感知设备和嵌入式设备正在生成大量的数据流,因此设备资源有限,这就带来了巨大的技术挑战。例如,虽然深度神经网络(DNNs)如AlexNet和GoogleNet已经为复杂的图像分类任务提供了很高的分类精度,它们的高计算复杂性和内存需求阻碍了设备资源和功耗预算受限的各种实际(嵌入式)应用程序的可用性。此外,在物联网系统中,将所有数据发送到强大的计算环境(如云计算)中,无法保证可扩展性和实时响应。出于隐私和安全考虑,这通常也是不受欢迎的。因此,我们需要替代的计算方法,能够至少部分地在功能较弱的物联网设备上运行大量数据。脑启发超维计算(HD)被认为是一种以更轻的方式处理认知任务的替代计算方法。  高清计算是基于这样一个事实发展的:大脑的计算模式是神经活动,而这些模式并不容易与数字联系起来。近年来的研究利用高维向量(如一千维以上)来表示神经活动,并在许多认知任务如活动识别、物体识别、语言识别和生物信号分类等方面取得了成功的进展。 

基于人脸特征的自动情感识别

加州大学戴维斯分校的研究人员开发了一种基于深度学习的技术,可以分析面部图像来区分七种人类情绪。

协同高维计算

物联网(IoT)应用程序通常使用机器学习算法分析收集的数据。随着数据量的不断增加,许多应用程序将数据发送到强大的系统,如数据中心,以运行学习算法。一方面,出于隐私和安全考虑,发送原始数据是不可取的;另一方面,许多机器学习模型可能需要未加密的(明文)数据,例如原始图像,来训练模型和进行推理。当这些计算任务被卸载时,敏感信息可能会暴露在不可信的云系统中,该系统易受内部和外部攻击。在许多物联网系统中,学习过程需要使用互联网边缘的大量用户设备保存的数据进行。如果无法解决安全问题,这些用户可能不愿意与云和其他用户共享原始数据。

辐射探测的软件定义脉冲处理(SDPP)

通常是由低能量的质子射线探测器、中子探测器、中子探测器等产生的。为了提高信噪比,必须对该前置放大器信号进行进一步处理,然后再估计脉冲的各种特性,如脉冲幅度、脉冲定时和脉冲形状。历史上,这种“脉冲处理”是用复杂的、专门制造的模拟电子设备来完成的。随着数字计算和快速模数转换器的出现,这种类型的处理可以在数字领域中进行,有许多商业产品执行“硬件”数字脉冲处理。这些产品的共同点在于,脉冲处理算法是在硬件(通常是FPGA或高性能DSP芯片)中实现的。然而,这种硬件方法昂贵,而且很难为特定的探测器和应用量身定做,为了解决这些问题,加州大学伯克利分校的研究人员开发了一种解决方案,利用数字信号处理技术,在通用计算机上用软件进行脉冲处理。唯一需要的硬件是一个通用的、高速的模数转换器,它能够将数字化的探测器前置放大器信号流式传输到计算机内存中而不留空隙。Berkeley方法对硬件是不可知的,它的实现方式可以适应各种硬件前端。例如,Berkeley的一个实现使用PicoScope 3000和5000系列USB3示波器作为硬件前端。该装置已用于处理来自多个半导体和闪烁探测器的信号,其结果可与模拟和硬件数字脉冲处理器相媲美。与当前的硬件解决方案相比,这种新的软件解决方案成本更低,而且更易于配置。更具体地说,可以通过编写简单的C/C++代码来调整和调整数字脉冲成形滤波器的特性、触发准则、估计脉冲参数的方法以及输出数据的格式化/滤波。

微光条件下的实时成像

来自加州大学河滨分校的Luat Vuong教授和同事开发了一种在低光和低信噪比条件下成像的方法。该技术利用一个稠密的神经网络从仅强度的数据中重建一个目标,并且有效地解决了逆映射问题,而不需要对每个图像进行迭代,也不需要深度学习。与当前的成像技术相比,该网络无需学习刻板印象,计算复杂度低,重建延迟低,功耗低,抗干扰能力强。图1:与使用常规成像的卷积神经网络和单层神经网络相比,多涡流阵列的理论/模拟精度-3,5,7相应地使用密集单层神经网络。为传统的成像方案提供了信噪比。 

在虚拟通信环境中识别有用边界的搜索和推荐过程

增强和虚拟现实(AR/VR)耳机和显示器的发展引入了沉浸式和上下文感知通信平台的替代系统。  然而,现实世界中用户周围有限的空间是造成未来AR/VR通信瓶颈的一个关键因素。  在增强现实中,可以将无限的空间数据导入到用户当前的环境中。 这些虚拟对象中的许多对象本身没有空间限制,仅限于用户的真实世界周围的约束。 只要它们在用户的环境边界之内,它们就可以被可视化、增强和放置在空间中任何必要的地方。  然而,虚拟对象和真实对象之间的这种单向空间限制并不总是适用于通信应用,其中两个或多个用户都具有空间离散约束,在空间设置中彼此交互。 远程会议(或其他通信方法)的所有各方都具有独特的空间限制(房间大小、家具设置等),因此,他们的虚拟替身或化身可能无法为各方在现实世界空间及其相应边界之间实践相同的空间关系和安排。 这将导致头部和身体姿势的错位、空间声音错误和其他由于虚拟呼叫中每个成员的位置不正确而导致的微表情错误。  坎特伯雷大学的研究人员开发了一种搜索和推荐流程,可以识别通信环境中所有各方的相互访问边界(AR电话会议、虚拟电话、远程沉浸式电话、,为每个用户提供准确的位置来定位自己和移动周围对象的位置,以便呼叫的所有各方都能以最小的努力保持彼此相似的空间关系。 这样的过程将允许虚拟呼叫的所有成员通过考虑虚拟/增强现实呼叫中所有参与者的空间限制,在其自己的空间中扩充其他成员。    该过程有助于促进所有消费者层面的远程通信,包括商业和个人环境。 它还将有利于远程工作场所的程序,使工人和雇员能够有效地在一起交流,而不必访问大型商业空间。  在这一过程的另一个特征中保留微手势和表情,保持不同的社交互动和有效沟通的属性。

测量人类心理状态的神经科学方法

知识产权法的许多领域涉及对混淆或相似性的主观判断。例如,在商标或商业外观诉讼中,法院考虑的一个关键因素是所考虑的商标或产品设计之间的视觉相似程度。这种相似性判断是非常重要的,并且 可能会因为认知因素而变得复杂,比如分类、记忆和推理,这些因素在个体之间有很大的差异。目前,三种证据形式被广泛接受:诉讼当事人的视觉比较、专家证人证言和消费者调查。这三种方法都依赖于人类反应者的主观报告,无论是诉讼当事人、专家证人还是消费者小组。因此, 所有三种形式的证据都有可能受到公开(如利益冲突)或隐性(如自我报告不准确)偏见的批评,加州大学伯克利分校的研究人员开发了一种技术,可以直接测量消费者在观看消费品的视觉图像时的心理状态,而不需要通过问卷调查或访谈等方式进行自我报告。这样做,这 这种方法减少了有偏见的报道的可能性。 

深层神经网络的混合信号加速

深度神经网络(DNNs)正在为语言翻译、交通、智能搜索、电子商务和医疗诊断等广泛的服务和应用带来革命性的变化。这些好处取决于硬件平台的性能和能效。随着通用处理器带来的好处越来越少,dnn的数字加速器出现了爆炸式增长。混合信号加速也越来越有吸引力。尽管低功耗,混合信号电路的信息编码范围有限,易受噪声影响,增加了模数(A/D)和数模(D/A)转换开销,并且缺乏细粒度控制机制。实现混合信号技术的全部潜力需要一个平衡的设计,将数学、体系结构和电路结合在一起。

基于场景图的上下文增强

空间计算体验受到用户真实环境的制约。 在这种体验中,将虚拟对象扩充到现有场景需要一种上下文方法,在这种方法中,可以避免几何冲突,并在目标环境中保持与其他对象的功能和似是而非的关系。 然而,由于用户环境的复杂性和多样性,自动计算与场景环境相适应的虚拟内容的理想位置是一项具有挑战性的任务。    坎特伯雷大学的研究人员开发了一个框架,该框架使用显式生成模型从从真实世界和/或合成的三维数据集提取的先验知识中学习拓扑关系,从而用虚拟对象来扩充场景。 SceneGen主要是为空间计算应用而设计的,它将房间中的特征提取到一个新颖的空间表示中,该空间表示封装了场景的位置和方向关系,捕获了对象、对象组和房间之间的成对拓扑。  AR应用程序通过对房间内的位置和方向进行采样来迭代地增加对象,以创建对象放置位置的概率热图。  通过将对象放置在可能存在空间关系的姿势中,我们能够增强真实感的场景。 

基于红外融合视觉驱动机器人系统的自主舒适系统

机器人舒适系统已经被开发出来,它使用风扇向建筑物的居住者提供热/冷空气,以提供更高水平的个人舒适度。  然而,目前的机器人系统依赖于通过网络界面或应用程序询问个人舒适状态的调查。  由于用户的调查疲劳,这种依赖用户反馈变得不切实际。 加州大学伯克利分校的研究人员开发了一种系统,该系统使用安装在机器人风扇喷嘴上的可见光摄像头来检测人类的面部特征(例如眼睛、鼻子和嘴唇)。  然后将来自同一位置的热相机的图像注册到可见光图像上,并捕捉不同面部特征的温度,并用于推断个人的舒适状态。  相应地,通过风扇和a-a闭环控制系统向乘员/空调系统吹风。  由于该系统可以跟踪环境中的人,因此它解决了先前数据采集系统中需要将居住者定位在特定位置的问题。

车辆品牌和型号识别

加州大学河滨分校的Bir Bhanu教授和他的同事们开发了一种  车辆后方实时视频传输分析  看法  识别车辆品牌和型号的透视图。该方法使用软件系统检测运动车辆和运动阴影的感兴趣区域(roi),计算结构和其他特征,并使用车辆制造商和模型数据库进行车辆识别。该系统根据所有车辆的系数进行计算,因此无论车辆颜色和类型如何,它都是可靠的。该系统与低分辨率视频源兼容,能够对视频流进行实时分析。因此,该技术在车辆监控、车辆安全、基于等级的车辆收费和需要可靠实时视频分析的交通监控等领域具有创新潜力。  图1:移动车辆的直接后视图示例。 

F5-HD:基于FPGA的快速灵活框架,用于更新超维计算

超维计算是一种新的计算范式,它模拟大脑在执行认知任务时的功能。HD的底层计算涉及对超维超向量进行大量的元素级运算(如加法和乘法),其粒度小到一位,可以有效地并行化和流水线化。 此外,尽管不同的HD应用程序可能在输入特性和输出类(标签)的数量方面有所不同,但它们通常遵循相同的计算流程。高清计算的这些特性与FPGA的固有功能无与伦比地匹配,使这些设备成为加速这些应用的独特解决方案。

自适应实验室进化(ALE)实验的变异组织软件

适应性实验室进化(ALE)是研究微生物适应性的工具。ALE实验的典型执行包括在规定的条件下(即在实验室中)培养一批微生物,培养一段时间,以便选择改良的表型。标准模式生物,如大肠杆菌,由于其易于培养和储存、快速繁殖、众所周知的基因组以及对突变事件的清晰可追溯性,已被证明非常适合于ALE研究。随着全基因组重测序技术的出现,所选表型和基因型突变之间可以建立联系。  对ALE方法的回顾列出了迄今为止的34个单独的ALE研究。每项研究都报告了选择条件的新组合以及由此产生的微生物适应策略。大规模分析这种整合的结果可能是识别和理解新的适应性突变的有力工具。 

实时车标识别

简要说明不可用

为足球生成可视化分析和球员统计

来自加州大学河滨分校的Bhanu教授和他的同事开发了一个系统,通过使用计算机视觉和机器学习技术,在足球比赛、团队和球员级别执行视觉分析和生成统计数据,从而实现球员人才识别过程的自动化。这项工作使用了一个数据库49952个图像被注释成两个类,即:有球的球员和没有球的球员。这个系统可以识别出哪个球员在控制球。与其他最先进的方法相比,该技术在识别控球球员方面的准确率为86.59%,在生成比赛分析和球员统计数据时的准确率为84.73%。图1:系统学习的特征可视化图2:系统学习的灰度特征可视化 

使用标准血液测试结果诊断狗肾上腺皮质机能减退的机器学习程序

加州大学戴维斯分校的研究人员开发了一个基于机器学习算法的程序来帮助诊断肾上腺皮质机能减退症。

应用机器学习算法自动检测左心房扩大的犬x线片

加州大学戴维斯分校的研究人员开发了一种检测犬左心房扩大作为二尖瓣疾病早期征兆的方法,将机器学习技术应用于胸片图像。

基于宽带衍射神经网络的任务专用光学系统设计

加州大学洛杉矶分校电气和计算机工程系的研究人员开发了一种衍射神经网络,它可以处理一个全光的、3D打印的神经网络,用于深度学习应用。

IgEvolution:抗体库克隆分析的新工具

构建抗体库是分析免疫序列数据集中一个重要的纠错步骤,对于重建抗体的进化(克隆)发育至关重要。然而,最先进的库构建工具通常会漏掉低丰度抗体,这些抗体通常代表克隆树的内部节点,并且对于克隆树重建至关重要。因此,尽管序列构建是后续克隆树重建的先决条件,但现有的序列重建算法并不适合这项任务,因为它们通常会漏掉通常代表克隆树内部节点的低丰度抗体,并且对于克隆树重建至关重要。

预测控制器,优化用于冷却牲畜的能量和水

加州大学戴维斯分校的研究人员开发了一种控制器,它可以将环境数据应用于牲畜冷却设备的优化操作。

生物力学人体动画仿生感测运动控制的深度学习

加州大学洛杉矶分校计算机科学系的研究人员开发了一种用于仿生人体感觉运动控制的计算机仿真模型和相关软件系统。

微流控芯片自动设计软件

布里斯克教授在加州大学河滨分校的研究小组已经开发了一套软件来设计和分析整个微流控芯片。这是使用微流控设计自动化(MDA)软件来合成和物理布局设备的  设计  自动化(MDA)至  身体上  渲染芯片。  这个  方法    类似的    电子  半导体工业中的设计自动化(EDA)。这个  软件  自动创建转换为MHDL的芯片架构  人类可读的微流控硬件设计语言,支持手动优化。什么时候?  这个  炸薯条  设计师    满意的  具有  这个  建筑,  软件  身体上    外面的  这个  不同的    属于  这个  炸薯条。这个  输出      AutoCAD  DXF公司  (  其他  矢量  图形)可以传送到铸造厂进行制造的文件。图1显示了由UCR软件设计和布局的微流控设备布局。 

视障患者眼用药物的自动识别

UCI的研究人员正在开发一种技术,可以让视力受损的患者使用智能手机拍摄眼部药物/眼药瓶的照片。这项技术将识别眼部药物,并口头传达药物,并在使用说明中听到药物的确认。

  • 转到页面: