XiaoMi-AI文件搜索系统
World File Search System互动学习
小企业AI 机器学习/ 深度学习解决方案
Gartner 的数据显示 ， 未来几年人工智能的发展将进一步加速 ， 到 2020 年人工智能和机器学习将成为超过 30 ％ 的 CIO 的五大投
基于深度强化学习算法的火力⁃目标分配方法
ｐｌａａ ｍ ｍａｋｉｎｇａｂｉｌｉｔ ｐ e，ｗｈｉｃｈｃａｎｐ， the：lightife for：lightife fim⁃ｔａieｔａｓｓｉｇｎｍieｔａｓｓｉｇｎｍieｎｔ；ｄieｐieｉｎｆｏifieｉｎｆｏightimｃieｍieｎｔｌieａightimｎｉｎｇ；ｑ⁃ｌ
在低能耗嵌入式设备上实现深度学习和AI - Ceva, Inc.
智能嵌入式视觉应用的设计变得前所未有 的快捷而安全，这要归功于围绕 CEVA-XM6 DSP 而构建的全方位视觉平台。该平台包含 CEVA 深度神经网络（ CDNN ）编译器图表、计 算机视觉软件库以及一系列算法。
知识表示和人类机器人互动领域知识的互动学习
本文介绍了在人机协作背景下代表，推理和交互式学习领域知识的综合体系结构。答案集Prolog是一种非单调逻辑推理范式，用于用不完整的comsense域知识来表示和理由，为任何给定目标计算计划并诊断出意外的观察。基于ASP的推理还用于指导以前未知的动作的互动学习以及编码负担能力，动作前提和效果的公理。此学习将主动探索，反应性动作执行和人类（口头）描述的输入观察以及学习的动作和公理用于后续推理。在模拟机器人上评估了架构，该机器人协助人类在室内域中。
智能建筑物互动，学习和适应
它将从现场建筑系统，尤其是控制建筑环境的HVAC工厂收集数据。有关植物性能，环境条件和能源使用情况的数据将被带到云托管平台进行分析和处理。然后，系统将以图形格式在本地工作站或关联的移动设备上以图形格式显示。
EDU532 互动学习教育技术
学习成果：● 评估交互式学习的核心原则和理论，以增强和指导实践● 分析新兴技术在创造交互式学习体验方面的影响和潜力。● 研究技术工具对改变学习环境的影响● 设计和促进利用教育技术进行主动、混合和协作学习的学习活动。● 利用评估方法和框架评估教育技术的有效性和长期影响。● 制定可行的计划，利用新兴技术来提高教育成果并应对挑战。
通过多模式进行互动特征学习
从多模式的磁共振图像数据自动分割脑肿瘤具有实现术前计划和术中体积测量的潜力。深度卷积神经网络技术的最新进展为实现脑肿瘤区域的端到端分段打开了机会。然而，脑肿瘤分割中使用的医学图像数据相对较少，并且脑肿瘤的出现变化，因此很难找到一种可学习的模式来直接描述肿瘤区域。在本文中，我们提出了一种新型的跨模式互动特征学习框架，以从多模式数据分割脑肿瘤。核心思想是多模式的MR数据包含正常大脑区域的丰富模式，可以轻松捕获，并且可以潜在地用于检测非正常的大脑区域，即脑肿瘤区域。所提出的多模式交互式特征学习框架由两个模块组成：跨模式特征提取模块和注意力引导特征融合模块，旨在探索丰富的模式跨多模式的富含模式，并指导相互作用的相互作用以及来自不同模态的丰富特征的融合过程。综合实验是在Brats 2018基准上进行的，该基准表明，与基线方法和最先进的方法相比，提出的跨模式特征学习框架可以有效地改善脑瘤分割性能。
特刊 - 互动学习：循环中的人...
特刊“交互式学习：为主动人机交互的循环系统设计中的人类设计”已经扩展了！潜在的主题：认知负载 - 可以使用模型来调整决策。应该预培训（即，为普通用户学习），而应进行交互或个性化的数量（即，对特定用户进行微调）？响应设计和相互作用的方式 - 使用自然/隐式反馈信号，例如自然语言，语音，眼动，面部表情和互动过程中的手势。有效的相互作用 - 速度和相互作用数量。人类的偏好或内部奖励是非平稳的，并且会随着时间的流逝而变化。限制可能是由于缺乏信任，可用性和生产力，尤其是在适应不可预见的阶级和任务环境中的变化时。特定的系统体系结构 - 问题和机器学习应用程序；人类信任问题不同的建筑问题。案例研究 - 例如，GIS中的图像分割和区域数字化之类的案例研究是可取的。