XiaoMi-AI文件搜索系统
World File Search System交互
基于 Web 的交互式 3D 建模和可视化...
摘要 如今，3D 医学图像可视化已成为医学教育的重要工具。基于 Web 的 3D 教学工具已被证明是传统系统的有效替代方案。在这项工作中，我们的目标是使用 3D Web 技术对人脑进行建模和基于 Web 的 3D 交互式可视化，并改进虚拟现实教育环境开发方法（MEDEERV，西班牙语缩写）。20 名本科医学、牙科、老年医学和计算机科学专业的学生进行了大脑模型可用性测试（9 名女性；11 名男性，平均年龄 = 22.1 岁，SD = 0.70）。为此，我们使用了一份带有李克特量表答案的后测问卷，其 Cronbach 的 alpha 值为 0.93。我们在本研究中开发的大脑模型的概念验证提供了该系统可用作基础神经解剖学学习的网络工具的可行性证据。这项工作的主要贡献集中在实现 MEDEERV 来建模 3D 人脑，以及用于重新设计反馈的可用性测试。这种建模、可视化和评估方法可用于人体解剖学教学的其他领域。虽然实验结果显示良好的用户体验、功能和可用性，但有必要生成一个新版本，并对具有大脑解剖学知识的更大、更具体的人群进行研究。
基于深度学习的人机交互类脑计算综述
人工智能的不断发展对生物医学等领域产生了深远的影响，提供了新的研究思路和技术方法。类脑计算是多模态技术与生物医学领域的重要交叉点。本文聚焦人机交互中脑信号解码文本和语音的应用场景，全面回顾了基于深度学习的类脑计算模型，追踪了其演进、应用价值、挑战和潜在的研究趋势。首先回顾了其基本概念和发展历史，将其演进分为近代机器学习和当代深度学习两个阶段，强调了每个阶段在人机交互类脑计算研究中的重要性。此外，从数据集、不同脑信号等五个角度回顾了深度学习在人机交互类脑计算不同任务中的最新进展，并详细阐述了模型中关键技术的应用。尽管类脑计算模型取得了重大进展，但充分发挥其能力仍面临挑战，并为未来的学术研究提供了可能的方向。欲了解更详细信息，请访问我们的 GitHub 页面：https://github.com/ultracoolHub/brain-inspired-computing。
I2P注册通过学习从像素到点相似性的基本对齐特征空间 通过滚动曲线在大规模点云中的全局本地化... ct-lvi：一个朝着连续的激光 - 视觉的框架... AI和大型模型的基础 对象重新识别的功能聚合和连接性 混合现实可视化和人脑的交互式血流动力学计算 Guihua Wang 实时的表面识别系统，用于可变的双头机器人步行速度 lcnet.pdf-科学技术学院
估计相机和激光雷达之间的相对姿势对于促进多代理系统中复杂的任务执行至关重要。尽管如此，当前的方法论遇到了两个主要局限性。首先，在跨模式特征提取中，它们通常采用单独的模态分支来从图像和点云中提取跨模式特征。此方法导致图像和点云的特征空间未对准，从而降低了建立对应关系的鲁棒性。第二，由于图像和点云之间的比例差异，不可避免地会遇到一到一对像素点的对应关系，这会误导姿势优化。为了应对这些挑战，我们通过学习从p ixel到p oint sim Imarlities（i2p ppsim）的基本对齐特征空间来提出一个名为i Mage-p oint云注册的框架。I2P PPSIM的中心是共享特征对齐模块（SFAM）。 它是在粗到精细体系结构下设计的，并使用重量共享网络来构建对齐特征空间。 受益于SFAM，I2P PPSIM可以有效地识别图像和点云之间的共同视图区域，并建立高可责任2D-3D对应关系。 此外，为了减轻一对一的对应问题，我们引入了一个相似性最大化策略，称为点最大。 此策略有效地过滤了异常值，从而确立了准确的2D-3D对应关系。 为了评估框架的功效，我们进行了有关Kitti Odometry和Oxford Robotcar的广泛实验。I2P PPSIM的中心是共享特征对齐模块（SFAM）。它是在粗到精细体系结构下设计的，并使用重量共享网络来构建对齐特征空间。受益于SFAM，I2P PPSIM可以有效地识别图像和点云之间的共同视图区域，并建立高可责任2D-3D对应关系。此外，为了减轻一对一的对应问题，我们引入了一个相似性最大化策略，称为点最大。此策略有效地过滤了异常值，从而确立了准确的2D-3D对应关系。为了评估框架的功效，我们进行了有关Kitti Odometry和Oxford Robotcar的广泛实验。结果证实了我们框架在改善图像到点云注册方面的有效性。为了使我们的结果可重现，源代码已在https://cslinzhang.github.io/i2p上发布。
一种自适应人机交互架构，利用实时工作量感应来增强手术性能——半自动吸盘工具的演示
人机协作是许多领域中一种很有前途的范例，因为它有可能充分利用人类的灵活性和机器人的精确性 (Reason, 2000)。即使有了极其复杂和高度发展的技术，机器人系统也主要由人类操作，干预和控制程度也各不相同 (Power 等, 2015)。然而，需要外科医生远程操纵机械臂的遥控控制可能会带来诸如模糊性和缺乏运动反馈等问题 (Chen 等, 2007)，从而导致过度的心理工作负荷 (MWL)，进而影响外科医生的表现。由于极端的 MWL 会降低性能并增加错误概率 (Yurko 等, 2010)，操作员的工作负荷正成为决定人机协作是否成功的核心问题。因此，人们对开发能够在任务执行期间根据操作员的 MWL 为其提供不同程度协助的机器人的兴趣日益浓厚 (即基于心理工作负荷的自适应自动化) (MWL-AA)。
AI驱动的金融犯罪预防具有网络安全，IT和数据科学的现代银行业务 将机器学习与因果推断集成为增强系统动力学建模：预测复杂交互的框架 AI在个性化学习中的双重作用 边缘计算：革新物联网应用程序的数据处理 祈祷，呼吸控制和5-羟色胺释放之间的神经生物学联系 使用萘普生的透皮凝胶制备和评估 减轻金融机构的网络安全风险 采用TAA的挑战和考虑 探索纯意识：催产素如何调节意识的神经生物学 将AI整合到财务风险管理中
随着金融服务的数字化转型，现代银行业中的金融犯罪已经显着发展，对传统预防方法提出了前所未有的挑战。这项全面的综述研究了人工智能（AI），网络安全框架和数据科学方法的整合，以打击银行业内的金融犯罪。我们分析了AI驱动的解决方案的当前状态，包括机器学习模型，实时检测系统以及已改变金融犯罪预防的高级分析框架。审查综合了最近的研究和行业实施的发现，突出了AI技术与网络安全措施之间在创建强大的防御机制方面的协同关系。我们的分析表明，尽管与传统方法相比，AI驱动的解决方案表明了较高的检测率和误报降低，但在数据隐私，法规合规性和系统集成领域仍存在重大挑战。本文结束了结论，确定关键的研究差距并提出未来的方向，以增强基于AI的金融犯罪系统的有效性。本综述为研究人员，银行专业人员和政策制定者提供了宝贵的见解，该公司在人工智能，网络安全和预防金融犯罪的交汇处。
面向下一代网络的具有检索增强生成的交互式人工智能
随着人工智能 (AI) 的发展，交互式人工智能 (IAI) 的概念被引入，它不仅可以交互式地理解和响应人类用户输入，还可以响应动态系统和网络条件。在本文中，我们探讨了 IAI 在网络中的集成和增强。我们首先回顾人工智能的最新发展和未来前景，然后介绍 IAI 的技术和组件。然后，我们探讨了 IAI 与下一代网络的集成，重点关注隐式和显式交互如何增强网络功能、改善用户体验和促进高效的网络管理。随后，我们提出了一个支持 IAI 的网络管理和优化框架，该框架由环境、感知、动作和大脑单元组成。我们还设计了一个可插入的大型语言模型 (LLM) 模块和检索增强生成 (RAG) 模块，以构建大脑单元决策的知识库和上下文记忆。我们通过案例研究证明我们的 IAI 框架可以有效地执行优化问题设计。最后，我们讨论了基于 IAI 的网络的潜在研究方向。
通过人机交互实现机器人精确灵巧的操作......
强化学习 (RL) 在实现机器人自主习得复杂操作技能方面前景广阔，但在现实环境中实现这一潜力却充满挑战。我们提出了一个基于视觉的人机协同强化学习系统，该系统在一系列灵巧操作任务中展现出令人印象深刻的性能，包括动态操作、精密装配和双臂协调。我们的方法融合了演示和人工校正、高效的强化学习算法以及其他系统级设计选择，旨在学习在短短 1 到 2.5 小时的训练时间内即可实现近乎完美的成功率和快速循环时间的策略。我们证明，我们的方法显著优于模仿学习基线和先前的强化学习方法，平均成功率提高了 2 倍，执行速度提高了 1.8 倍。通过大量的实验和分析，我们深入了解了该方法的有效性，展示了它如何为反应式和预测式控制策略学习稳健且自适应的策略。我们的结果表明，强化学习确实能够在实际训练时间内直接在现实世界中学习各种基于视觉的复杂操作策略。我们希望这项工作能够激发新一代学习型机器人操作技术，促进工业应用和研究进步。视频和代码可在我们的项目网站 https://hil-serl.github.io/ 获取。
将机器学习与因果推断集成为增强系统动力学建模：预测复杂交互的框架
本研究研究了人工智能（AI）在个性化学习中的双重作用，探讨了AI如何促进和阻碍各种学习者的个性化教育经验。AI技术（例如自适应学习平台，智能辅导系统和数据分析工具）提供了量身定制的途径，可以增加参与度，适应学习差异并改善学术成果。然而，挑战也出现，包括算法偏见，对技术过度依赖以及数据隐私和人类互动的潜在妥协。的发现表明，尽管AI可以增强个性化的学习，但需要仔细的整合，以避免加剧差异并支持批判性思维和社交技能。教育工作者的作用仍然是必不可少的，并提出了专业发展的建议，以使教师有效和道德地利用AI的技能。本研究强调了平衡方法在AI集成中的重要性，将技术工具与以人为本的教学实践相结合，以创造包容性，公平和有效的学习环境。
mumosa，用于多模式情况意识的交互式仪表板
在发生重大事件或危机之后，如何确定并评估发生了什么，以便在详细介绍经验教训的情况下从一系列事件中产生明确证据的报告？社区如何准备自己的措施来处理将来可能会出现的类似复杂，关键的情况？在特定情况下，一些危机响应程序已经建立了良好的，例如，对野火1的初始火灾抑制响应，因此可以提前对响应者进行响应，并且调查人员随后知道要寻找什么。但是，其他时候，危机是如此突然和出乎意料，以至于建立了传达最新信息的沟通斗争。遵循这些不可预见的情况，两组，调查人员和响应者都有共同的需求，以了解有关事件的各种信息，以收集和分析危机后报告。
自动和人机交互文本生成（重点关注文本简化和修订）
在本教程中，我们将重点介绍文本到文本生成，这是一类自然语言生成 (NLG) 任务，它将一段文本作为输入，然后根据某些特定标准（例如可读性或语言风格）生成改进的修订版本，同时在很大程度上保留文本的原始含义和长度。这包括许多有用的应用，例如文本简化、释义生成、风格转换等。与文本摘要和开放式文本完成（例如故事）相比，我们在本教程中讨论的文本到文本生成任务在语义一致性和目标语言风格方面受到更多限制。这种控制水平使这些任务成为研究模型生成语义充分且风格适当的文本的能力的理想试验台。此外，从技术角度来看，这些任务很有趣，因为它们需要词汇和句法转换、风格控制和对事实知识的遵守的复杂组合——所有这些都是同时进行的。本教程特别关注文本简化和修订，旨在从数据、模型、人机协作和评估四个主要方面概述最先进的自然语言生成研究，并讨论和展示一些重大的最新进展：（1）使用非倒退方法；（2）从微调到使用大型语言模型提示的转变；（3）开发新的可学习指标和细粒度人工评估框架；（4）非英语语言的研究和数据集不断增加；（5）HCI+NLP+可访问性跨学科研究的兴起，以创建现实世界的写作助手系统。