存储器系统和设备可能用于实现应用于模式识别的储层计算（RC）系统。然而，Memristive RC系统的计算能力取决于交错的因素，例如存储器元素的系统架构和物理属性，其复杂化了系统性能的关键因素。在这里，我们为RC的仿真平台开发了Memristor设备网络的仿真平台，这使得能够测试不同的系统设计以进行性能改进。数值模拟表明，基于Memristor-Network的RC系统可以在三个时间级分类任务中产生与最先进的方法相当的高计算性能。我们证明，通过适当地设置忆阻器的网络结构，非线性和预/后处理可以实现设备到设备可变性的优异和鲁棒计算，这增加了利用不可靠的分量设备的可靠计算的可能性。我们的成果有助于建立椎间盘储层设计指南，以实现节能机械学习硬件。
translated by 谷歌翻译
自由形式变形模型可以通过在图像上操纵控制点晶格来代表广泛的非刚性变形。但是，由于大量参数，由于适应性景观的复杂性，将自由形式变形模型直接拟合到变形图像以进行变形估计是一项挑战。在本文中，我们根据每个控制点影响的区域相互重叠的事实，将注册任务作为多目标优化问题（MOP）。具体而言，通过将模板图像划分为几个区域并独立测量每个区域的相似性，可以通过使用现成的多目标进化算法（MOEAS）来解决多个目标，并可以通过解决拖把来实现变形估计。此外，图像金字塔与控制点网格细分结合使用了粗到五个策略。具体而言，当前图像级别的优化候选解决方案是由下一个级别继承的，这增加了处理大变形的能力。此外，提出了一个后处理过程，以利用帕累托最佳解决方案生成单个输出。对合成图像和现实世界图像的比较实验显示了我们变形估计方法的有效性和实用性。
translated by 谷歌翻译