XiaoMi-AI文件搜索系统
World File Search System深度
听觉刺激和深度学习可预测心脏骤停后昏迷苏醒
评估心脏骤停后昏迷患者的神经功能完整性仍是一个悬而未决的挑战。昏迷结果的预测主要依赖于专家对生理信号的视觉评分，这种方法容易产生主观性，并使相当多的患者处于预后不确定的“灰色地带”。对听觉刺激后脑电图反应的定量分析可以让我们了解昏迷时的神经功能以及患者苏醒的机会。然而，由于协议繁琐多样，标准化听觉刺激后的反应还远未在临床常规中使用。在这里，我们假设卷积神经网络可以帮助提取昏迷第一天对听觉刺激的脑电图反应的可解释模式，这些模式可以预测患者苏醒的机会和 3 个月后的存活率。我们使用卷积神经网络 (CNN) 对多中心和多方案患者队列中在标准化镇静和目标体温管理下昏迷第一天对听觉刺激的单次脑电图反应进行建模，并预测 3 个月时的结果。对于接受治疗性低温和常温的患者，使用 CNN 预测觉醒的阳性预测率分别为 0.83 ± 0.04 和 0.81 ± 0.06，预测结果的曲线下面积分别为 0.69 ± 0.05 和 0.70 ± 0.05。这些结果也持续存在于处于临床“灰色地带”的一部分患者中。网络预测结果的可信度基于可解释的特征：它与脑电图反应的神经同步性和复杂性密切相关，并受到独立临床评估的调节，例如脑电图反应性、背景爆发抑制或运动反应。我们的研究结果强调了可解释的深度学习算法与听觉刺激相结合在改善昏迷结果预测方面的巨大潜力。
通过证据深度学习解开的异常电动物理
超越标准模型（BSM）计算和参数化的不断增长的生态系统已经开发了在广泛的可能模型上制造定量跨案例的系统方法，尤其是具有可控的不确定性。在本演讲中，我们强调了不确定性量化语言（UQ）如何提供有用的指标来评估BSM和相关模型之间的统计重叠和差异。我们利用了近期的机器学习（ML）发展中的深度学习（EDL）来使UQ在模型歧视环境中分离数据（aletoric）和知识（认知）不确定性。我们构建了几种潜在的BSM动机场景，用于与深度无弹性散射中的核子的异常电子相互作用（AEWI）相互作用（AEWI）（aewi），并将其定量地映射为与CT18 PDF的蒙特卡洛复制品一起示范，用于驱动CT18 PDF。
使用深度学习
方法：我们评估了2019 - 2021年与医疗保健相关的选定同行评审AI出版物的成熟度。在报告中，数据收集是由PubMed搜索使用布尔运营商“机器学习”或“人工智能”和“ 2021”或“ 2020”或“ 2019”或“ 2019”的英语和人类主题研究一起进行的。选定的所有三年都被手动分为26个不同的医学专业。我们使用了来自变形金刚（BERT）神经网络模型的双向编码器表示，以根据其摘要来确定研究出版物的成熟度。我们根据该文章的高级作者的医疗保健专业和地理位置进一步对成熟的出版物进行了分类。最后，我们手动从成熟出版物（例如模型类型，数据类型和疾病类型）中手动注释了特定细节。
使用深度学习
方法：我们评估了2019 - 2021年与医疗保健相关的选定同行评审AI出版物的成熟度。在报告中，数据收集是由PubMed搜索使用布尔运营商“机器学习”或“人工智能”和“ 2021”或“ 2020”或“ 2019”或“ 2019”的英语和人类主题研究一起进行的。选定的所有三年都被手动分为34个不同的医学专业。我们使用了来自变形金刚（BERT）神经网络模型的双向编码器表示，以根据其摘要来确定研究出版物的成熟度。我们根据该文章的高级作者的医疗保健专业和地理位置进一步对成熟的出版物进行了分类。最后，我们手动从成熟出版物（例如模型类型，数据类型和疾病类型）中手动注释了特定细节。
使用深度学习
方法：我们评估了2019 - 2021年与医疗保健相关的选定同行评审AI出版物的成熟度。在报告中，数据收集是由PubMed搜索使用布尔运营商“机器学习”或“人工智能”和“ 2021”或“ 2020”或“ 2019”或“ 2019”的英语和人类主题研究一起进行的。选定的所有三年都被手动分为34个不同的医学专业。我们使用了来自变形金刚（BERT）神经网络模型的双向编码器表示，以根据其摘要来确定研究出版物的成熟度。我们根据该文章的高级作者的医疗保健专业和地理位置进一步对成熟的出版物进行了分类。最后，我们手动从成熟出版物（例如模型类型，数据类型和疾病类型）中手动注释了特定细节。
对对抗性攻击的深度量化微小神经网络的定量分析
这项工作是在Ferheen Ayaz在格拉斯哥大学任职时完成的。作者的联系信息：伊德里斯·扎卡里亚（Idris Zakariyya），格拉斯哥大学，格拉斯哥，英国，idris.zakariyya@glasgow.ac.ac.uk; Ferheen Ayaz，城市，伦敦大学，伦敦，英国，ferheen.ayaz@city.ac.uk; Mounia Kharbouche-Harrari，法国Stmicroelectronics，Mounia.kharbouche-harrari@st.com;杰里米·辛格（Jeremy Singer），格拉斯哥大学，英国格拉斯哥，jeremy.singer@glasgow.ac.uk； Sye Loong Keoh，格拉斯哥大学，英国格拉斯哥，syeloong.keoh@ glasgow.ac.uk; Danilo Pau，意大利Stmicroelectronics，danilo.pau@st.com;何塞·卡诺（JoséCano），格拉斯哥大学，英国格拉斯哥，josecano.reyes@glasgow.ac.uk。
具有成本效益的主动激光扫描系统，用于深度感知深度学习的实例分段
摘要：家禽业在全球农业中起关键作用，家禽是蛋白质的主要来源，并为经济增长做出了重大贡献。但是，该行业面临着与重复性且苛刻的劳动密集型任务相关的挑战。自动化已成为提高运营效率并提高工作条件的关键解决方案。具体来说，机器人的操纵和对象的处理在工厂中变得无处不在。但是，存在挑战以预先识别和引导机器人处理一堆具有相似纹理和颜色的物体。本文着重于开发旨在自动化鸡的机器人解决方案的视觉系统，该机器人解决过程是一种基本的，但在家禽加工中是一种基本但身体上剧烈的活动。为了解决通用实例分割模型在识别重叠对象中的限制，开发了一种具有成本效益的双重活性激光扫描系统来生成对象上的精确深度数据。将经过良好的深度数据生成与RGB图像集成在一起，并将其发送到实例分割模型以进行单个鸡检测和识别。这种增强的方法显着改善了该模型在处理涉及重叠鸡的复杂场景中的性能。具体而言，RGB-D数据的集成将模型的平均平均精度（MAP）检测准确性提高了4.9％，并显着改善了中心偏移 - 本研究中引入的定制度量标准，以量化地面真相蒙版中心与预测的面具中心之间的距离。精确的中心检测对于开发未来的机器人控制解决方案至关重要，因为它可以确保在鸡肉重定过程中准确抓住。中心偏移量从22.09像素（7.30 mm）降低到8.09像素（2.65 mm），证明了该方法在缓解闭塞挑战和增强视觉系统的可靠性方面的有效性。
深度学习实时卫星对张量处理单元的姿势估计
I.简介基于v iSion的导航是下一代On-On-On-On-On-On-Os-andActivedEbrisredebremoval任务的关键技术。在这些情况下，指导和控制定律应采用相对的Chaser-Chaser-Toget姿势（即位置和态度）喂食，这可能会从单眼图像中方便地估算，因为这些传感器是简单，光线的，并且消耗了很少的功率。传统上，图像处理算法分为1）手工制作的特征[1,2]和2）基于深度学习的[3-14]。然而，前者受到较低鲁棒性的影响，对典型的空间图像特征（例如，信噪比低，严重和迅速变化的照明条件）和背景。神经网络（NNS）可以通过适当的培训克服此类弱点，但通常会导致高计算负担，这与典型的船上处理能力几乎不兼容。
公共启用云的深度学习框架...
gwalior，国会议员摘要：在本评论文章中研究了将深度学习方法纳入公共安全视频调查系统，并特别注意其改善实时监视和预防犯罪的转型能力。随着机器学习和计算机视觉的快速发展，包括卷积神经网络在内的深度学习模型以及经常性的神经网络（RNN）表明，在自动化视频监视任务（包括查找对象，活动识别和异常检测）的自动化能力方面表现出惊人的能力。这些模型对公共安全行动非常有用，因为它们可以使人群管理，可疑行为的识别以及盗窃或殴打等特定的行动。在研究这些系统的技术架构时，本文强调了零件边缘计算和云计算的效果，以允许可扩展性和实时数据处理。Edge Computing提供局部处理以降低延迟并增加响应时间，但基于云的解决方案保证了大量视频信息的完美集成和存储。此外，该研究解决了在公共安全中应用深度学习的困难，包括隐私问题，数据安全，道德问题以及法律的必要性。尽管存在这些困难，但该研究强调了这些技术如何帮助增强安全操作，降低人为错误并提高运营效率。未来的研究方向（例如改善模型的鲁棒性，结合多模式数据源，创建更符合道德和透明的人工智能系统）也来自审查。最后，本文提供了公共安全视频调查系统中深度学习的当前情况和未来可能性的详细概述，从而阐明了他们改变公共安全现场的能力。关键字：深度学习，公共安全，视频监视，异常检测，云计算