Doppler
PulseAugur coverage of Doppler — every cluster mentioning Doppler across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DoRF++ 使用 NeRF 和球形 Transformer 进行高级 Wi-Fi 感知
研究人员开发了 DoRF++，一种新颖的 Wi-Fi 感知方法，它利用神经辐射场 (NeRF) 从信道状态信息 (CSI) 中建模人类运动。该方法将来自 Wi-Fi 信号的多普勒速度投影视为虚拟摄像头视图，从而能够推断出 3D 运动序列。然后，系统使用球形 Transformer 对活动进行分类，与现有的基于 Wi-Fi 的人类活动识别方法相比，在手势的跨用户泛化方面表现出更高的准确性。
-
新的审计工具EndoClock标记医学AI管道中的数据丢失
研究人员开发了EndoClock，这是一种新的审计工具，旨在识别医学世界模型中潜在的信息丢失。这些模型通常通过将多模态记录同步到固定速率的网格上来进行预处理，如果观测时钟是内生的，这可能会无意中抹去关键证据。EndoClock对可能保留基本证据的位置进行分类——在采样值、网格单元更新模式、原生计时或外部采集通道中——并报告支持的最低表示形式或指示未解决的问题。该工具使用超声心动图突出了这个问题，其中B模式视频数据在多普勒采集过程中丢失…
-
新方法融合多域数据用于卫星物联网干扰识别
研究人员开发了一种识别长距离跳频扩频（LR-FHSS）卫星物联网上行链路中复合干扰的新方法。该方法将干扰识别视为一个多实例、多标签学习问题，融合了时频域和频域的数据以提高准确性。该方法在单到复合干扰场景和少样本适应方面表现出显著的泛化能力提升，解决了现有方法在可扩展性和泛化性方面存在的局限性。
-
新AI框架将胎儿心电图转换为多普勒波形
研究人员开发了一种新颖的跨模态生成框架，可将胎儿心电图（fECG）信号转换为胎儿多普勒波形。该模型利用了扩张卷积和跨模态注意力机制，以整合母体心电图数据并捕捉时间依赖性。在对39例妊娠的数据进行训练后，与基线方法相比，该框架合成的多普勒包络的功率谱密度均方误差显著降低，并且心率误差也有所改善。
-
新的HypoProto框架增强了超声心动图中小梁充盈压分类的可解释性
研究人员开发了HypoProto，一种使用超声心动图（echo）数据对左心室充盈压（LVFP）进行分类的新型框架。该方法利用双曲几何和序数原型来增强可解释性，解决了当前深度学习模型通常是黑箱的局限性。HypoProto旨在通过将原型沿着生理学尺度排列来提供更清晰的临床见解，并引入了一个名为HyperPAS的新损失函数来强制在双曲空间中进行分离。
-
DOPPLER框架通过双策略学习优化机器学习工作负载
研究人员开发了DOPPLER，一个新颖的三阶段框架，用于优化异步数据流图中的设备分配，特别是针对复杂的机器学习工作负载。该系统通过支持异步系统并整合强化学习和专家设计的启发式方法，解决了先前方法的局限性。DOPPLER的双策略网络，包括选择和放置策略，在减少执行时间和提高训练效率方面，与现有基线相比，表现出了卓越的性能。
-
新的贝叶斯回归模型LABS展示自适应学习能力
研究人员开发了一种新的贝叶斯非参数回归模型，称为Lévy自适应B样条（LABS）。该模型使用B样条核来适应复杂的数据特征，并已证明在Besov空间中具有后验收缩的理论特性。对各种测试函数的模拟实验证实了LABS模型的实际效用。