XiaoMi-AI文件搜索系统
World File Search System济众
在Facebook上钓鱼：使用社交媒体和公民科学来众筹奖杯Murray Cod
转移基线，人们对环境的“自然”状态的看法随着每一代而变化，阻碍了保护，恢复和管理。正式和非正式的历史动物记录可用于为过去的生物学，生态和环境模式和过程提供信息。奖杯标本是文化和社会对象，但也是非正式历史记录的例子，可以提供生物组织并补充形式的自然历史收集。使用社交媒体从公民科学家那里收集信息具有很大的潜力，可以收集此类标本。这项研究的目的是评估Facebook和传统媒体的潜在效用，以收集有关TaxIdermal Murray Cod（Maccullochella Peelii）的数据，这是一种大型，长寿的淡水鱼类，是澳大利亚默里 - 达林盆地特有的。一个Facebook组“ COD Spot”被建立为向潜在公民科学家进行信息传播的地点，并且可以上传Murray Cod Mount上的数据。这与社交和主流媒体促销，研究网站和电子服务相辅相成。收到的鳕鱼斑点> 7,000个互动和大约400名参与者。总共发现了189个经过验证的Murray Cod头和整个坐骑。电子调查提供了将这些文化和社会对象变成具有科学价值的潜力的验证。参与者包括有兴趣的人，收藏家，动物标本手，管家或坐骑的所有者。大多数参与者是35岁以上的男性，尽管女性几乎占网站用户的三分之一。这项研究表明，低成本营销与广泛分散的，相对常见且众所周知的感兴趣对象相结合可以有效地获得公民科学合作。
维韦克·辛格·维尔马博士
印度加济阿巴德 ABES 工程学院的 AKTU。2015 年 12 月 14 日至 21 日 参加印度 IIT 坎普尔分校 AKTU 价值教育小组举办的“人类价值观和职业道德”教师发展计划。 2015 年 9 月 7 日至 11 日 参加印度加济阿巴德阿贾伊库马尔加格工程学院电子与通信工程系举办的 AICTE 认可短期课程“通过 ICT 实现全球移动通信系统”。 2015 年 7 月 13 日至 17 日 参加印度加济阿巴德阿贾伊库马尔加格工程学院计算机科学与工程系组织的“Dot Net 技术”教师发展计划。 2015 年 4 月 3 日 - 4 日 参加印度加济阿巴德阿贾耶库马尔加格工程学院计算机应用系组织的“可靠信息安全系统的开发、威胁和问题”全国研讨会。 2015 年 1 月 30 日 - 31 日 参加印度加济阿巴德阿贾耶库马尔加格工程学院计算机科学与工程系组织的“自然语言处理”教师发展计划。 2013 年 6 月 11 日 - 14 日 参加印度-德国马克斯普朗克计算机科学中心（IMPECS）与印度贾巴尔普尔 IIITDM 联合组织的高级算法学院（SOAA-13）。3 月 31 日 - 4 月
c-journal：使用基于众包数据集的深度学习来检测和分类认知扭曲的日记应用程序
抽象的认知扭曲是负偏见的思维模式和错误的自我污点，这是由于自己的内部推理而导致并导致逻辑错误。认知畸变会对心理健康产生不利影响，并可能导致心理健康障碍。本文属于一个更大的项目，该项目旨在提供用于检测和分类文本中认知扭曲的应用程序。由于没有用于该任务的公共数据集，因此拟议的工作的首次贡献在于提供一个开源标签的数据集，该数据集的14个认知畸变，该数据集由34370个条目组成，该数据集由34370个条目通过人群来源，用户调查表和从社交媒体中重新播放情绪数据集收集。数据集是与持牌心理学家合作收集的。我们使用幼稚的贝叶斯和count vectorizer以及不同的CNN，LSTM和DNN分类器实现了基线模型，以基于数据集对认知失真进行分类。我们使用表现最好的模型研究了不同单词嵌入的用法。依靠CNN的表现最好的模型，其嵌入式句子嵌入，F1得分为84％，用于分类认知扭曲。表现最佳的模型是在C- Journal中内置的，这是一种免费的日记帐和心情跟踪移动应用程序，可指出向用户的潜在思维扭曲。
混合获取高质量训练数据...
3D 点云的自动语义解释对于地理空间数据分析领域的许多任务至关重要。为此，需要标记的训练数据，这些数据通常由专家手动提供。主动学习 (AL) 是一种最大限度地减少人机交互成本的方法。目的是仅处理未标记数据集的子集，这对于类别分离特别有用。在这里，机器识别信息实例，然后由人类标记，从而提高机器的性能。为了完全避免专家的参与，可以通过众包解决这种耗时的注释。因此，我们提出了一种将 AL 与付费众包相结合的方法。尽管结合了人机交互，但我们的方法可以完全自动运行，因此只需要提供未标记的数据集和固定的财务预算来支付众包工人的费用。我们对 ISPRS Vaihingen 3D 语义标记基准数据集 (V3D) 进行了 AL 过程的多个迭代步骤，并特别评估了众包在标记 3D 点时的表现。我们通过使用从基于众包的 AL 方法中派生出的标签对测试数据集进行分类来证明我们的概念。分析概述了通过仅标记 0.4% 的训练数据集并花费不到 145 美元，我们训练的随机森林和稀疏 3D CNN 分类器在总体准确率上的差异与在完整的 V3D 训练集上训练的相同分类器相比不到 3 个百分点。
基于轻量级深度学习的微波脑图像网络模型，利用重建的微波脑 (RMB) 图像进行脑肿瘤分类
1 马来西亚国立大学工程与建筑环境学院电气、电子与系统工程系先进电子与通信工程中心，万宜 43600，马来西亚 2 达卡工程技术大学计算机科学与工程系，加济布尔，加济布尔 1707，孟加拉国 3 马来西亚理工大学无线通信中心，士古来 81310，马来西亚 4 卡塔尔大学电气工程系，多哈 2713，卡塔尔 5 马来西亚国立大学 (UKM) IR4.0 研究所，万宜 43600，马来西亚 6 卡塔尔大学土木与建筑工程系，多哈 2713，卡塔尔tariqul@ukm.edu.my （MTI）; mchowdhury@qu.edu.qa (MEHC)
平台经济：超越常规
• 临时工作和打工（例如 Zenjob、InStaff）、• 食品配送（例如 Deliveroo、Uber Eats、Just Eat）、• 研究招聘（例如 Prolific、Qualtrics）、• 约会（例如 Parship、Tinder、Bumble）、• 评论网站（例如 Kununu、Jameda、TripAdvisor、Yelp、Google Maps）、• 预约管理（例如 Doctolib、OpenTable）、• 应用市场（例如 Google Play、App Store）、• 价格比较（例如 Idealo、Verivox、Check24）、• 众筹（例如 Patreon、Kickstarter、GoFundMe、Indiegogo）、• 众筹投资（例如 Companiso、AngelList）、• 众筹借贷（例如 PeerBerry、Zopa、Ratesetter、Funding Circle、Auxmoney）、• 视频流（例如 Youtube、Twitch、Vimeo）、•音乐流媒体（例如 Spotify、Apple Music、Deezer）、游戏市场（例如 Steam、Epic Games Store）、知识交流（例如 StackOverflow、Quora）、社交和专业网络（例如 Facebook、Instagram、TikTok、Twitter、LinkedIn、Xing）、