XiaoMi-AI文件搜索系统
World File Search System准确度
材料与热计量计划 2007+ 2007 年 4 月...
• 第 1 阶段：开发用于小规模、高速率瞬态旋转流变测量的技术和程序，测量时间和长度尺度通常为微处理，同时保持数据的准确度和精度达到可接受的水平。包括仪器设置和校准程序。输出为报告，用于制定流变测量标准。
与人工智能共舞 - 一个互动的舞蹈学习平台
表 1 显示了基于某些参数的不同姿势估计技术之间的比较。我们可以看到，OpenPose 算法获得的准确度最高，但由于其 CNN 模型较重，获得的 fps 相当低，而对于 Posenet 算法，我们获得了良好的 fps，因为它 x 没有 x 多阶段架构，x 还使用轻量级 x CNN 模型。BlazePose 是另一种很好的姿势估计算法，因为它在姿势估计期间获得了准确度和 fps 的良好平衡。我们决定在这三个中选择 Blazepose，因为 Openpose 没有给我们提供良好的 fps，而 Posenet 仅考虑 17 个身体关键点进行检测，而 Blazepose 有 33 个，并且在我们的应用中，我们需要一种可以为单人姿势估计提供良好结果的算法，Blazepose 主要关注这一点，它还给出规范化坐标作为输出，而在其他算法中，我们明确需要对它们进行规范化以进行进一步处理。
龙专业版 v16
当今的专业人士面临着创建出色文档的挑战，如果不能正确或高效地完成，这可能会影响报告质量、员工工作效率，并增加成本和合规风险。Dragon Professional v16 使员工能够以更快、更准确的方式创建文档、电子表格和演示文稿，或填写基于表单的报告——无论是在办公室还是在路上——全部通过语音完成。使用强大的转录工具来消除对外包服务的依赖。或者创建和共享强大的语音命令来简化重复的手动流程，从而提高工作效率。借助深度学习技术，Dragon 可以学习单个说话者的声音，实现通用语音识别工具无法比拟的识别准确度。这种准确度扩展到有口音的用户或在开放式办公室或移动环境中工作的用户。对于企业用户，Nuance Management Center 可在整个组织内轻松部署和集中管理 Dragon。
面向医疗应用的二值化神经网络的内存电阻式 RAM 实现
摘要 — 深度学习的出现大大加速了机器学习的发展。然而，边缘深度神经网络的部署受到其高内存和能耗要求的限制。随着新内存技术的出现，新兴的二值化神经网络 (BNN) 有望降低即将到来的机器学习硬件一代的能量影响，使机器学习能够在边缘设备上进行，并避免通过网络传输数据。在这项工作中，在介绍采用混合 CMOS - 氧化铪电阻存储器技术的实现后，我们提出了将 BNN 应用于心电图和脑电图等生物医学信号的策略，以保持准确度水平并降低内存要求。我们研究了二值化整个网络和仅二值化分类器部分时的内存-准确度权衡。我们还讨论了这些结果如何转化为 Imagenet 任务上面向边缘的 Mobilenet V1 神经网络。这项研究的最终目标是实现智能自主医疗设备。
面向医疗应用的二值化神经网络的内存电阻式 RAM 实现
摘要 — 深度学习的出现大大加速了机器学习的发展。然而，边缘深度神经网络的部署受到其高内存和能耗要求的限制。随着新内存技术的出现，新兴的二值化神经网络 (BNN) 有望降低即将到来的机器学习硬件一代的能量影响，使机器学习能够在边缘设备上进行，并避免通过网络传输数据。在这项工作中，在介绍采用混合 CMOS - 氧化铪电阻存储器技术的实现后，我们提出了将 BNN 应用于心电图和脑电图等生物医学信号的策略，以保持准确度水平并降低内存要求。我们研究了二值化整个网络和仅二值化分类器部分时的内存-准确度权衡。我们还讨论了这些结果如何转化为 Imagenet 任务上面向边缘的 Mobilenet V1 神经网络。这项研究的最终目标是实现智能自主医疗设备。
引用：王胜，陈荣，王胜等.基于机器学习理论的2型糖尿病风险预测模型比较研究：跨学科
摘要 目的比较基于机器学习理论的6种模型的预测效果，为预测2型糖尿病（T2DM）风险提供方法学参考。 研究地点与对象 本研究基于2016—2018年东莞市居民慢性病危险因素监测数据。各监测点采用多阶段整群随机抽样的方法，最终抽取4157人。在初始人群中剔除缺失数据超过20%的个体，最终纳入4106人。采用设计K最近邻算法和合成少数过抽样技术对数据进行处理。采用单因素分析对变量进行初步筛选。采用10倍交叉验证对部分模型参数进行优化。以准确度、精确度、召回率和受试者工作特征曲线下面积（AUC）评价模型的预测效果，采用Delong检验分析各模型AUC值的差异。结果平衡数据后样本量增加至8013例，其中2型糖尿病患者4023例，对照组3990例。六种模型的比较结果显示，反向传播神经网络模型的预测效果最好，准确率、准确度、召回率分别为93.7%、94.6%、92.8%，AUC值为0.977，其次是logistic模型、支持向量机模型、CART决策树模型和C4.5决策树模型。深度神经网络的预测性能最差，准确率、准确度、召回率分别为84.5%、86.1%、82.9%，AUC值为0.845。结论本研究构建了6类2型糖尿病风险预测模型，并基于各项指标比较了这6种模型的预测效果，结果显示，基于所选数据集的反向传播神经网络的预测效果最好。
通过基于核的 SPD 流形域自适应进行运动想象分类
摘要：背景：记录脑机接口的校准数据是一个费力的过程，对受试者来说是一种不愉快的体验。域自适应是一种有效的技术，它利用来自源的丰富标记数据来弥补目标数据短缺的问题。然而，大多数先前的方法都需要首先提取脑电信号的特征，这会引发 BCI 分类的另一个挑战，因为样本集较少或目标标签较少。方法：在本文中，我们提出了一种新颖的域自适应框架，称为基于核的黎曼流形域自适应 (KMDA)。KMDA 通过分析脑电图 (EEG) 信号的协方差矩阵来绕过繁琐的特征提取过程。协方差矩阵定义了一个对称正定空间 (SPD)，可以用黎曼度量来描述。在 KMDA 中，协方差矩阵在黎曼流形中对齐，然后通过对数欧几里德度量高斯核映射到高维空间，其中子空间学习通过最小化源和目标之间的条件分布距离同时保留目标判别信息来执行。我们还提出了一种将 EEG 试验转换为 2D 帧（E 帧）的方法，以进一步降低协方差描述符的维数。结果：在三个 EEG 数据集上的实验表明，KMDA 在分类准确度方面优于几种最先进的领域自适应方法，BCI 竞赛 IV 数据集 IIa 的平均 Kappa 为 0.56，BCI 竞赛 IV 数据集 IIIa 的平均准确度为 81.56％。此外，使用 E 帧后整体准确度进一步提高了 5.28％。 KMDA 在解决主体依赖性和缩短基于运动想象的脑机接口校准时间方面显示出潜力。
脑肿瘤分割图像增强技术的比较分析：对比度、直方图和混合方法
摘要。本研究系统地研究了图像增强技术对基于卷积神经网络 (CNN) 的脑肿瘤分割的影响，重点关注直方图均衡化 (HE)、对比度限制自适应直方图均衡化 (CLAHE) 及其混合变体。该研究在 3064 张脑 MRI 图像的数据集上采用 U-Net 架构，深入研究了预处理步骤，包括调整大小和增强，以优化分割精度。对基于 CNN 的 U-Net 架构、训练和验证过程进行了详细分析。利用准确度、损失、MSE、IoU 和 DSC 等指标进行的比较分析表明，混合方法 CLAHE-HE 始终优于其他方法。结果突出了其卓越的准确度（训练、测试和验证分别为 0.9982、0.9939、0.9936）和强大的分割重叠，Jaccard 值为 0.9862、0.9847 和 0.9864，Dice 值为 0.993、0.9923 和 0.9932，强调了其在神经肿瘤学应用中的潜力。研究最后呼吁改进分割方法，以进一步提高神经肿瘤学的诊断精度和治疗计划。
利用人工智能增强战术层面的瞄准
随着现代战争格局的不断演变，人工智能 (AI) 已成为军事行动中改变游戏规则的理论，特别是在增强战术级瞄准方面。人类驱动的战术级瞄准的问题在于，由于认知处理限制以及敌方战斗人员迅速发展的复杂性及其迅速转移的能力，它在实现快速获取、精确瞄准和最佳决策方面存在固有的局限性。人工智能驱动的瞄准系统可以彻底改变精度、准确度和传感器到射手的能力，将军事交战的效力和效率提升到前所未有的高度。通过利用人工智能算法和先进数据处理的力量，指挥官可以依靠全面而智能的决策框架，确保卓越的目标识别并最大限度地减少附带损害，从而在战场上取得决定性优势。本文深入探讨了人工智能在增强战术级瞄准方面的令人印象深刻的影响，强调了精度、准确度和传感器到射手增强方面的显著改进，这将重新定义现代战争的面貌。
边缘 AI 中分割计算的激活稀疏性和动态修剪
深度神经网络越来越大，因此更难在受限的物联网设备上部署。拆分计算提供了一种解决方案，即拆分网络并将前几层放置在物联网设备上。这些层的输出被传输到云端，然后继续进行推理。早期的研究表明中间激活输出具有一定程度的高稀疏性，本文分析并利用激活稀疏性来减少将中间数据传输到云端时的网络通信开销。具体来说，我们分析了 CIFAR-10 和 ImageNet 上 ResNet-50 中两个早期层的中间激活，重点关注稀疏性以指导选择分割点的过程。我们对激活和特征图进行了动态修剪，发现稀疏性非常依赖于层的大小，权重与卷积层中的激活稀疏性无关。此外，我们表明，稀疏中间输出可以压缩 3.3 倍，准确度损失 1.1%，无需任何微调。当添加微调时，压缩系数增加到 14 倍，总体准确度损失为 1%。