XiaoMi-AI文件搜索系统
World File Search System检测算法
genwise：文本数据的主题发现
在这项工作中，我们介绍了Genwise - 一种基于AI的生成AI框架，旨在从文本数据中播放和组织关键信息。专注于商业中的普遍问题，在这些问题上，我们的框架花在手动数据分析上，采用了尖端的生成AI，嵌入和聚类技术来实现这一发现。我们进一步提供了层次的主题表示，增强了对不同级别的用户的易用性。我们的方法包括通过生成AI的精确问题，利用了提高准确性的检索生成框架，并使用增强的社区检测算法提高了聚类相干性的20％。此综合管道针对工业环境明确优化，为复杂数据集提供了显着的效率和主题表示。
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从
生成式人工智能如何改变半导体行业
如今，GenAI 带来的许多生产力和效率改进可以帮助设计师、研究人员和开发人员加速低风险工作流程，同时让人类专家参与其中。除了这些唾手可得的成果之外，越来越多的自动化成为可能，在增加部署风险的同时，减少了昂贵的人工参与。例如，GenAI 可用于立即生成罕见缺陷模式的扫描电子显微镜 (SEM) 图像。然后，这些生成的图像可用于训练下游缺陷检测算法。长期机会可能来自系统范围的工作流程变化，例如材料设计、电路路径查找、工厂模拟、运营优化和通过模拟代理进行动态定价，这需要大量的领域专业知识和大量投资；如此巨额的投资可以带来更大的市场领先机会，并带来更高的投资回报率 (ROI)。
在移动地面车辆上自主跟踪和着陆……
本文提出了一种利用多旋翼无人机跟踪移动地面车辆并着陆的自主系统。详细讨论了该系统的技术开发。它包括传感器的选择和集成、目标检测算法和实现、无人机的数学模型和飞行控制器设计。该系统利用近红外摄像机，即使在夜间或低照度下也能检测到标记，无人机机载处理器的频率最高可达 18 Hz。整个系统首先在 MATLAB 中仿真，然后应用于实际的无人机。小型四旋翼无人机在移动的小型卡车上自主着陆的成功飞行试验表明，该设计是有效且可行的。所提出的视觉激光目标跟踪性能在静态标记下实现了 99.2% 的成功率，在移动标记下实现了 94.4% 的成功率。
CCAP 协议 - NOAA 海岸管理办公室
NOAA 沿海变化分析计划 (C-CAP)：区域实施指南 NOAA 技术报告 NMFS 123 商务部澄清说明 - 2003 年 1 月 文件包含过时材料。本文件 NOAA 沿海变化分析计划 (C-CAP)：区域实施指南 (1995) 中包含的信息提供了 C-CAP 的技术和历史背景。自出版之日起，技术和程序上都取得了进步。例如，该计划本身现在是 NOAA 沿海服务中心沿海遥感计划的一部分。该文件仍然可供公众使用，因为它还提供了有关变化检测算法、分类方案以及使用遥感记录区域沿海变化的宝贵信息。有关 C-CAP 产品的更多信息，请查看 NOAA 海岸服务中心的海岸遥感网站 ( www.csc.noaa.gov/crs/ ) 或通过电子邮件联系该中心 ( csc@csc.noaa.gov )。
机载风切变检测和警告系统 - CORE
K. 微下击暴流风切变恢复的飞行引导研究 ............ David A. Hintorg NASA LaRC L. 风切变检测算法的分析与合成 ................................ Kioumars Najmabadi，波音 M. 使用个人计算机分析制导律性能 ................ Z Rene Barrios，霍尼韦尔�Sperry N. 机组人员与风切变系统的接口 ................................ Dave Carbaugh，波音 O.避免风切变的专家系统 ................................ Robert Stengel 和 Alex Stratton，普林斯顿大学 P. 起飞滑跑期间风切变对飞机停止距离的影响 ...... Terry Zweife_ Honeywell�Sperry Q.风切变风模型模拟器分析状态 ......................... Bernard Ades，DGAC/SFACT/TU-France R. 风切变预测检测器技术研究状态 ......................... C. Gandolfi，DGAC/STNA/3E S. 问题和10 月 19 日第一场和第二场的答案......................
使用结构MRI区分常见的PSP表型：一项机器学习研究
摘要。包括Yolov4和Yolov5在内的Yolo系列对象检测算法在各种医学诊断任务中表现出卓越的表现，在某些情况下超过了人类的能力。但是，他们的黑盒性质限制了他们在需要模型决策的信任和解释性的医学应用中的采用。为了解决这个问题，已经以热图的形式提出了对AI模型的视觉解释，该模型突出了输入区域中最大程度贡献特定决策的输入区域。基于梯度的方法，例如Grad-CAM [1]和非基于梯度的方法，例如EIGEN-CAM [2]，适用于Yolo模型，不需要新的层实现。本文评估了Grad-CAM和EIGEN-CAM在Vindrcxr胸部X射线异常检测数据集上的性能[3]，并讨论了这些方法的局限性，以向数据科学家解释模型决策。
AI-Track-tive：使用计算机视觉（人工智能）自动识别和计算地面半轨迹的开源软件
摘要。本文描述并介绍了一种自动计数矿物中蚀刻裂变径迹的新方法。训练了深度神经网络和计算机视觉等人工智能技术来检测图像上的裂变表面半径迹。深度神经网络可用于名为“AI-Track-tive”的半自动裂变径迹测年的开源计算机程序。我们定制训练的深度神经网络使用 YOLOv3 对象检测算法，该算法是目前最强大、最快的对象识别算法之一。开发的程序成功地在显微镜图像中找到了大多数裂变径迹；然而，用户仍然需要监督自动计数。所提出的深度神经网络对磷灰石（97%）和云母（98%）具有很高的精确度。磷灰石（86%）的召回率低于云母（91%）。该应用程序可以在 https://ai-track-tive.ugent.be 在线使用（最后访问时间：2021 年 6 月 29 日），也可以作为 Windows 的离线应用程序下载。
人工智能在打击仇恨言论方面面临的道德和技术挑战
摘要：在本文中，我们讨论了使用人工智能进行在线内容审核的一些道德和技术挑战。作为一个案例研究，我们使用了一个为检测社交网络上的仇恨言论而开发的人工智能模型，这一概念在科学文献中给出了不同的定义，并且缺乏共识。我们认为，虽然人工智能可以在处理社交媒体上的信息过载方面发挥核心作用，但它可能会导致侵犯言论自由的风险（如果项目执行不当）。我们介绍了人工智能项目整个流程中涉及的一些道德和技术挑战——从数据收集到模型评估——这些挑战阻碍了仇恨言论检测算法的大规模使用。最后，我们认为人工智能可以帮助检测社交媒体中的仇恨言论，前提是必须通过有人参与的过程对内容进行最终判断。关键词：人工智能、道德、网络危害、仇恨言论、偏见大纲：1.2