XiaoMi-AI文件搜索系统
World File Search System图像理解
Albrecht Schmidt、Fosca Giannotti、Wendy E. Mackay、Ben Shneiderman、Kaisa Väänänen。人工智能造福人类：关于如何为个人和社会创造真正互动和以人为本的人工智能的小组讨论。第 18 届 IFIP 人机交互会议 (INTERACT)，2021 年 8 月，意大利巴里。第 335-339 页，10.1007/978-3-030-85607-6_32。hal-03603481
AI 有望在我们生活的许多领域带来革命。过去几年，我们观察到机器学习 (ML) 算法取得了重大进展，并催生出令人印象深刻的系统，例如图像理解和自然语言识别。数据被大规模收集，可用数据集（公共或公司内部）的数量正在迅速增长，因为许多人都了解数据的基本价值。然而，许多应用程序并不关注人，它们不是以人为本的。下面，我们将讨论为什么先进的 AI 和 ML 算法和技术是不够的，以及为什么这不足以创造 AI 革命。为了取得对人类、个人和社会都有意义的真正进步，我们必须了解如何利用 AI 的新潜力和能力从根本上改变交互系统的设计。
IWS 2025 OSCE for AI CDSS.pdf
[2] Kawamura，E.，Kannan，K.，Lombaerts，T。，＆Ippolito，C。A.（2022）。基于视觉的精确方法和高级空气移动性的着陆。在AIAA Scitech 2022论坛（第0497页）中。[3] Oberkampf，D.，Dementhon，D。F.和Davis，L。S.（1996）。使用共面特征点迭代姿势估计。计算机视觉和图像理解，63（3），495-511。[4] Kawamura, E., Dolph, C., Kannan, K., Lombaerts, T., and Ippolito, C. A., “Simulated Vision-based Approach and Landing System Advanced Air Mobility,” AIAA SciTech 2023 Forum , AIAA-2023-2195, 2023.[5] Kawamura，E.，Dolph，C.，Kannan，K.，Brown，N.，Lombaerts，T。和Ippolito，C。A.，“基于VSLAM和VISISION ASS基于Vision的方法以及用于先进的空中移动性的方法，” AIAA Scitech 2023 Forum，2023年，第2023页，第2023页，p。 2196。
physgen：刚体物理的图像与视频生成
摘要。我们提出了一种新颖的图像到视频生成方法，该方法将转换单个图像和输入条件（例如，将力和扭矩应用于图像中的对象），以产生一种现实，物理上合理的和时间一致的视频。我们的关键见解是将基于模型的物理仿真与数据驱动的视频通用过程集成，从而实现了合理的图像空间动力学。我们系统的核心是三个核心组成部分：（i）有效捕获图像的几何形状，材料和物理参数的图像理解模块； （ii）使用刚体物理和推断参数来模拟实体行为的图像空间动力学模拟模型； （iii）基于图像的渲染和完善模块，利用生成视频扩散来产生具有模拟运动的逼真的视频镜头。由此产生的视频在物理和外观上都是实现的，甚至是可控制的，从而通过定量比较和全面的用户研究来表现出优于现有数据驱动的图像到视频的效果。Physgen的结果视频可用于各种下游
构建隐私保护和安全的地理空间人工智能基础模型（愿景论文）
近年来，我们看到人工智能基础模型取得了实质性的进展，包括语言、视觉和多模态模型。最近的研究强调了基础模型在地理空间人工智能中的应用潜力，即 GeoAI 基础模型，用于地理问答、遥感图像理解、地图生成和基于位置的服务等。然而，GeoAI 基础模型的开发和应用可能会带来严重的隐私和安全风险，迄今为止尚未得到充分讨论或解决。本文介绍了 GeoAI 基础模型整个生命周期中的潜在隐私和安全风险，并提出了研究方向和预防和控制策略的全面蓝图。通过这篇愿景论文，我们希望引起地理空间领域研究人员和政策制定者对 GeoAI 基础模型固有的隐私和安全风险的关注，并倡导开发隐私保护和安全的 GeoAI 基础模型。
使用深度学习的自动图像字幕
摘要：本研究采用复杂的深度学习技术来开发健壮的自动图像字幕模型，整合卷积神经网络（CNN），用于复杂的特征提取和长期短期记忆网络（LSTMS），以生成细微的序列。旨在解决在线视觉内容的激增，该技术促进了有效的图像解释，并通过涵盖可访问性增强的应用程序来提高可访问性，改进的搜索功能的内容索引索引，并通过上下文相关的图像标题来增强社交媒体参与度。该研究为计算机视觉提供了宝贵的见解，应对产生连贯的图像描述的挑战。精心调整的模型同时进行定量和定性评估，展示了在内容检索和人类计算机相互作用中创新应用的有希望的结果。最终，这项研究愿意提高自动图像理解，从而促进对视觉信息的增强性和推动人工智能的进步。
好图片2024 - 成像元素
Toby Breckon教授在无人驾驶汽车中 - 达勒姆大学计算机科学系中的技术驱动到您附近的一条街道，它似乎是自动驾驶汽车（无人驾驶汽车）可能成为100多年来我们旅行方式的最重大变化之一。这一快速移动技术发展的核心是使用成像技术 - 车辆如何看待周围的世界？和图像理解 - 车辆如何理解周围世界的图像？这一领域的进步为我们的日常生活带来了许多机会和影响。本演讲将探讨车载感应的当前趋势，概述了基础的科学进步，即基础无人驾驶汽车技术以及一些尚需解决的研究挑战，包括在达勒姆（Durham）在达勒姆（Durham）上进行的有关汽车视觉感应的研究工作，更广泛地说，这次演讲将讨论现场的无人驾驶技术发展，以及未来在我们的道路上的潜在影响，并在我们的道路上及其不仅仅是我们的路上的潜在影响。
图像字幕结合GAN训练方法
摘要 在图像数量庞大、人们无法快速检索所需信息的当今世界，我们迫切需要一种更加简便、人性化的图像理解方式，图像字幕应运而生。图像字幕，顾名思义，就是通过分析理解图像信息，生成特定图像的自然语言描述，近年来被广泛应用于图文交叉研究、婴幼儿教育、弱势群体帮扶以及产业界的青睐，产生了许多优秀的研究成果。目前对图像字幕的评价基本基于BLUE、CIDEr等客观评价指标，容易导致生成的字幕无法接近人类语言表达，而GAN思想的引入使得我们能够采用对抗训练这种新的方法来对生成的字幕进行评价，评价模块更加自然、全面。考虑到对图像逼真度的要求，本课题提出了一种基于GAN的图像描述。引入Attention机制来提高图像保真度，使得生成的字幕更加准确，更接近人类的语言表达。
像医学居民一样培训：对通用医学图像分割的上下文学习
临床成像工作流的主要重点是疾病诊断和管理，导致医学成像数据集与特定的临床目标密切相关。这种情况导致了开发特定于任务的分割模型的主要实践，而没有从广泛的成像群中获得见解。受到医学放射学居民培训计划的启发，我们提出了向普遍医学图像分割的转变，旨在通过利用临床目标，身体区域和成像方式的多样性和共同点来建立医学图像理解基础模型的范式。div of这个目标，我们开发了爱马仕，一种新颖的上下文 - 学习方法，以应对医学图像segmentation中数据杂基的挑战和注释差异。在五种模式（CT，PET，T1，T2和Cine MRI）和多个身体区域的大量各种数据集（2,438个3D图像）中，我们证明了通用范式比传统范式在单个模型中解决多个任务的传统范式的优点。通过跨任务的协同作用，爱马仕在所有测试数据集中都能达到最先进的性能，并显示出卓越的模型可伸缩性。其他两个数据集中的结果揭示了爱马仕在转移学习，分裂学习和对下游任务的概括方面的出色表现。爱马仕（Hermes）博学的先生展示了一个具有吸引力的特征，以反映任务和方式之间的复杂关系，这与既定的放射学解剖学和成像原则相吻合。代码可用1。
Robert（Rupert）Wu cl-dps：一种通过扩散后采样解决盲逆问题的对比学习方法
CSC488/2107H1 Compilers & Interpreters Fan Long Winter 2022 MAT496H1 Reading: Mathematics of Deep Learning Vardan Papyan Winter 2022 VIC493H1 Vic Capstone Research Colloquium Emanuel Istrate Year 2021-2022 CSC485/2501H1 Computational Linguistics Gerald Penn Autumn 2021 CSC495H1 Project: Continual Learning Florian Shkurti Autumn 2021 CSC498/475H5 Topics: Introduction to Reinforcement Learning Animesh Garg Autumn 2021 CSC384H1 Introduction to Artificial Intelligence Sonya Allin Summer 2021 CSC412/2506H1 Probabilistic Learning & Reasoning Jesse Bettencourt Winter 2021 CSC413/2516H1 Neural Networks & Deep Learning Jimmy L. Ba，Bo Wang Winter 2021 CSCD70H3编译器优化Gennady Pekhimenko Autumn 2020 CSC494H1项目：多模式夹应用程序Sanja Fidler Sanja Fidler，Amlan Kar Winter 2021 CSCC11 CCCC11 H.车队，布莱恩·陈（Bryan Chan）秋季2020 CSC369H1操作系统Karen Reid Aut 2020 CSC420H1图像理解理解Babak Taati，Morteza Rezanejad Aut 2020 hps391H1 1700年的数学历史，从1700年到现在的Sylvia Nickers thine 2020 CSC32224 HINCOMANG 1.算法设计，分析和复杂性Koushik PAL 2019 CSC300H1计算机与社会Mathew Zaleski，Ishtiaque Ahmed Ahmed Winter 2019 CSC336H1数值方法Kenneth R. Jackson R. Jackson R. Jackson Autumn 2018
AI自动驾驶：机遇，挑战和...韩国戏剧对心理井的影响使用深度学习算法的图像字幕生成
文章信息abs tract本研究研究了使用VGG16和LSTM架构在FlickR8K数据集上使用图像字幕模型的有效性。通过细致的实验和评估，获得了对模型能力的有价值的见解，并获得了为图像生成描述性字幕的局限性。这些发现有助于对图像字幕技术的更广泛理解，并为该领域的未来进步提供指导。VGG16和LSTM架构的探索涉及数据预处理，模型培训和评估。FlickR8K数据集，包括8,000张与文本描述配对的图像，作为基础。进行了数据预处理，使用VGG16的特征提取和LSTM训练。进行了模型参数和超参数的优化，以实现最佳性能。评估指标（包括BLEU得分，语义相似性评分和胭脂分数）。虽然根据BLEU评分观察到带有参考标题的中等重叠，但该模型表现出高度的语义相似性。然而，通过分析胭脂分数，揭示了维持连贯性和捕获高阶语言结构的挑战。这项研究的含义扩展到诸如计算机视觉，自然语言处理和人类计算机互动之类的领域。通过弥合视觉内容和文本描述之间的语义差距，图像字幕模型可以增强可访问性，改善图像理解并促进人类机器通信。尽管有希望捕获语义内容的表现，但存在改进的机会，包括精炼模型体系结构，集成注意力机制以及利用较大的数据集。图像字幕中的持续创新承诺在行业和学科中广泛应用的高级系统。关键字：图像字幕，深度学习，VGG16，LSTM，FlickR8K数据集，评估指标，语义差距，人类计算机交互。