XiaoMi-AI文件搜索系统
World File Search System多任务
三重任务范式中多任务处理对元认知的影响
摘要 多任务处理情况（例如开车时使用手机）在日常生活中越来越常见。实验心理学早已记录了多任务处理对任务表现的影响；然而，人们对其对监控此类表现的元认知过程的影响知之甚少。本研究通过将心理物理程序与复杂的多任务处理相结合，朝着填补这一空白迈出了一步。我们设计了一个多模式范式，其中参与者分别或同时执行感觉运动跟踪任务、视觉辨别任务和听觉 2-back 工作记忆任务，同时每约 15 秒评估一次他们的任务表现。我们的主要发现是，多任务处理降低了参与者对这三个任务的表现（元认知敏感性）的意识。重要的是，这一结果与多任务处理对任务表现的影响无关，不能归因于信心流失、心理不应期或自我评价的近期效应。我们讨论了这一发现对元认知和多任务处理研究的意义。
BunCho：通过无监督多任务学习，AI 支持故事共同创作，以提高日语作家的创造力
与人工智能 (AI) 共同创作是即将到来的趋势。然而，对于日本小说家系统的构建关注较少。在本研究中，我们构建了“BunCho”，一个由人工智能支持的日语故事共同创作系统。BunCho 的人工智能是 GPT-2（一种无监督的多任务语言模型），使用大量日语网络文本和小说数据集进行训练。使用 BunCho，用户可以从关键字生成标题和概要。此外，我们提出了一个交互式故事共同创作人工智能系统作为桌面角色扮演游戏。根据对作家（N=16）和读者（N=32）的总结性研究，69% 的作家更喜欢用 BunCho 写故事梗概，客观评价中至少有五个常见指标中的一个得到了提高，包括创造力。此外，63% 的作家表示 BunCho 拓宽了他们的故事范围。BunCho 指明了帮助日本小说家创作高水平和创造性作品的途径。
多任务稀疏典型相关分析及其在多模态脑成像遗传学中的应用
脑成像遗传学是脑科学中一个新兴的重要课题，它整合了遗传因素和神经影像表型测量。这种结合不同遗传和基因组数据的整合研究有望揭示大脑结构和功能的遗传基础，并进一步为解释遗传变异与阿尔茨海默病 (AD) 等脑部疾病之间的因果关系提供新的机会 [1]，[2]。现代神经影像技术，如磁共振成像 (MRI) 和正电子发射断层扫描 (PET)，基于不同的技术对大脑的形态和代谢过程进行成像，并从不同角度生成描述大脑的不同图像数据。这些多模态图像数据提供了互补的信息，并已被证明可以提供对大脑结构、功能和脑部疾病的全面理解 [3]。此外，在生物医学研究中，我们通常会面临大量的基因分型生物标记，例如单核苷酸多态性 (SNP)，它是全基因组关联研究 (GWAS) 中的一种高分辨率标记。因此，开发面向GWAS、快速高效、同时整合多模态成像数据的成像遗传学方法具有重要的意义和意义。
飞行员的自动凝视分类：使用多任务卷积网络作为飞行教练观察的代理
让飞行员在模拟器中与附近的教练一起进行模拟飞行任务。在评估这些飞行员的表现时，飞行教练依靠观察和事后评估。扫描模式是飞行教练背景的重要方面，是基本飞行的基础。例如，学生可能会扫描得太快、遗漏或注视 - 这些是扫描地平线和交叉检查仪器时常见的错误（美国空军 [USAF]，2019 年）。据传，飞行教练经常提到头部和眼球运动对于判断学生意图和态势感知至关重要。带有嵌入式眼动追踪的基于虚拟现实的训练环境可以自动化并为教练观察的某些方面提供更多背景信息，并可能加快学习过程。在这项研究中，我们评估了如何使用眼动追踪（结合机器学习）客观地评估飞行员在训练期间的扫描模式，这可能会减少教练的整体工作量。因此，两个关键的研究问题是：
用于脑肿瘤检测和分割的多任务上下文空洞残差网络
摘要 —近年来，深度神经网络在医学成像中的各种识别和分割任务中取得了最佳性能，包括脑肿瘤分割。我们发现，分割脑肿瘤面临着数据不平衡的问题，即属于背景类（非肿瘤像素）的像素数量远大于属于前景类（肿瘤像素）的像素数量。为了解决这个问题，我们提出了一个级联结构的多任务网络。我们的模型包含两个目标，即（i）有效区分脑肿瘤区域和（ii）估计脑肿瘤掩模。第一个目标由我们提出的上下文脑肿瘤检测网络执行，该网络起到注意力门的作用，只关注脑肿瘤周围的区域，而忽略与肿瘤相关性较小的远邻背景。与处理每个像素的其他现有物体检测网络不同，我们的上下文脑肿瘤检测网络只处理真实实例周围的上下文区域，这种策略旨在产生有意义的区域提议。第二个目标建立在 3D 空洞残差网络和编码解码网络之下，以便有效地分割大物体和小物体（脑肿瘤）。我们的 3D 空洞残差网络采用跳跃连接设计，使深层的梯度能够直接传播到浅层，从而保留不同深度的特征并用于相互细化。为了从体积 MRI 数据中整合更大的上下文信息，我们的网络利用具有各种内核大小的 3D 空洞卷积，从而扩大了滤波器的感受野。我们提出的网络已经在包括 BRATS2015、BRATS2017 和 BRATS2018 数据集在内的各种数据集上进行了评估，包括验证集和测试集。我们的性能已通过基于区域的指标和基于表面的指标进行了基准测试。我们还与最先进的方法进行了比较。1
信息丰富的虚拟环境中基于多层多任务标记的交互
简单而廉价的交互在任何虚拟环境 (VE) 的操作和探索中都起着关键作用。在本文中，我们提出了一种交互技术，该技术以简单且计算成本低廉的方式为复杂对象提供两种不同的交互方式（信息和控制）。交互基于以专门的方式使用多个嵌入式标记。所提出的标记就像一个交互外围设备，其工作原理就像一个触摸支付，可以在 3D VE 中执行任何类型的交互。所提出的标记不仅用于与增强现实 (AR) 交互，还用于与混合现实交互。开发了一个生物虚拟学习应用程序，用于评估和实验。我们分两个阶段进行了实验。首先，我们将一个简单的 VE 与所提出的分层 VE 进行了比较。其次，对所提出的标记、一个简单的分层标记和多个单个标记进行了比较研究。我们发现所提出的标记具有更好的学习效果、交互的简易性以及相对较少的任务执行时间。与简单的 VE 相比，结果显示分层 VE 的学习效果有所改善。
利用人工智能实现多任务的机器人
2. 文献综述 1. 根据陈志豪等人[1]的论述，它为智能移动应用（例如道路交通和铁路气候）实现了对象识别、定位和监控框架。首先在两种深度学习方法中进行对象检测和跟踪方法：You Only Look Once (YOLO) V3 和单次检测器 (SSD)。 2. Zhong-Qiu Zhao 等人[2]的论述，本文介绍了一种专注于对象检测框架的深度学习分析。在卷积神经网络（CNN）的背景下解决了通用对象检测架构，并进行了一些修改和有用的技巧以提高检测效率。 3. Licheng Jiao 等人[3]的论述，本文重点介绍了用于检测任务的深度学习网络的快速发展，以及对象检测器的效率得到了大大提高。 4. Yakup Demir2 等人[4]的论述，涉及在真实驾驶环境中对周围物体进行可靠和准确的检测和识别的自动驾驶。虽然已经提出了许多用于物体检测的算法，但并非所有算法都足够稳健，可以检测和识别被遮挡或截断的物体。本文提出了一种基于卷积神经网络 (CNN) 和支持向量机 (SVM) 的混合局部多系统 (LM-CNNSVM)，因为它具有强大的提取能力和稳健的分类特性。5. Mukesh Tiwari 编辑 [5] 讨论了由于物体运动的日常变化和场景大小的变化、遮挡、外观变化以及自我运动和照明的变化，物体的识别和跟踪是重要的研究领域。具体而言，特征选择是跟踪物体的重要组成部分。
数字经济和多任务漩涡中的“杰出”女性企业家
在 21 世纪，尽管面临着多重任务的漩涡，女性企业家如何改变和挑战人们对职业成功的传统理解？在当今的数字世界中，需要哪些知识和技能才能专业发展并成为一名成功的企业家？阻碍女性充分发挥潜力或甚至阻止她们开始创业生涯的主要障碍是什么？有关女性创业计划、技能、特点、属性、动机和领导风格的当前文献综述（2011-2019 年），记录了成功策略和面临的障碍，结果表明情况并没有太大改变。女性企业家继续面临着多重任务的漩涡，以及缺乏资金、营销技能和支持服务，包括难以进入商业网络、技术和数字市场。尽管大量女性进入了男性专属领域，但玻璃天花板并未被打破。另一方面，发达国家和发展中国家都已认识到，女性的创业活动有助于社会经济增长，充分利用所有人力资源的潜力对于可持续发展至关重要。21 世纪的研究——就像 20 世纪后期的研究一样——继续关注创业中的性别差距以及如此重视的事业与家庭之间的平衡，同时仍认为需要进一步的研究。他们还一致认为，成功的创业需要数字技能以及创新动力。成功的企业家，或者用 Elias G. Carayannis 和 McDonald R. Stewart (2013) 创造的一个术语和概念来说，无论性别如何，“杰出的企业家”都是创新者；有远见的人；预测和塑造未来的人；采取主动行动；接受变化、风险和失败；从中吸取教训；看到别人看不到的东西，等等。因此，本研究呈现了改变和赋权的生活快照。它包括了做出过贡献的“杰出”女企业家（Carayannis & Stewart 2013）的工作和故事。现在是不是该介绍一些鼓舞人心的榜样了，尤其是那些在创业世界、蓝色经济和银色经济中表现出色的人？
适用于多任务飞行器的分布式集成模块化航空电子平台
图表目录.......................................................................................................................................................................................................................................................................................................................................................................................................................... xvii
多任务 CNN 用于 3D 胎儿脑超声中的结构语义分割
摘要：胎儿大脑在整个怀孕期间都会经历广泛的形态变化，这可以在超声采集中直观地看到。我们探索使用卷积神经网络 (CNN) 在 3D 超声图像中分割多个胎儿大脑结构。胎儿超声图像中大脑结构的准确自动分割可以跟踪整个妊娠期的大脑发育，并提供有用的信息，帮助预测胎儿的健康结果。我们提出了一种多任务 CNN，用于根据图谱生成的白质、丘脑、脑干和小脑标签自动进行分割。在 480 个体积上训练的网络在 48 个测试体积上产生了准确的 3D 分割，白质的 Dice 系数为 0.93，丘脑、脑干和小脑的分割超过 0.77。