XiaoMi-AI文件搜索系统
World File Search System视觉效果
数字视觉效果中的人工智能 - DR-NTU
1 特效“通常被描述为在拍摄场景时可以完成的效果，通常称为实际效果。在当前方法论中，特效与视觉效果齐头并进，因此通常很难确定什么是特效，什么是视觉效果。典型的特效有子弹击中、实际爆炸、雨、火、飞行装置、摇动布景或道具或车辆的运动装置、模仿船只或飞机运动的万向架，以及人造海浪和浪花。”（Okun，JA 等，2010 年第 2 页）
模拟视野缺损患者视觉效果的人工智能模型
视野（VF）是指人注视时所能看到的空间范围。正常单眼VF上侧为56°，下侧为74°，鼻侧为65°，颞侧为91°（1）。除生理盲点外，整个VF各部分光敏感度均正常，若发生VF缺损，视网膜光敏感度会降低，或出现VF暗点，不同类型的VF缺损仅在分布和深度上有差异（2）。许多疾病都可引起VF缺损，包括青光眼、视神经及视路疾病、视网膜病变、脑卒中或其他神经系统疾病（3-5）。VF检查是发现中枢和周边视觉功能障碍的重要方法。目前临床普遍采用自动静态阈值视野检查法，其中Humphrey场分析仪（HFA）的24-2策略是VF测试的金标准（6-8）。
通过支持表征能力，以新颖的视觉效果为未来学习做好准备
摘要。许多 STEM 问题都涉及视觉效果。为了从这些问题中受益，学生需要表征能力：理解和适当使用视觉效果的能力。对表征能力的支持可提高学生的学习成果。但是，为整个课程设计表征能力支持是不可行的。这就提出了一个问题，即这些支持是否能增强未来从新问题中学习的能力。我们通过对工程班的 120 名本科生进行的实验来解决这个问题。所有学生都使用智能辅导系统 (ITS)，该系统为问题提供了交互式视觉表征。实验改变了所提供问题中表征能力支持的类型。我们从随后的一组涉及新视觉表征的新问题中评估了未来的学习。结果表明，表征能力支持可以增强未来从新问题中学习的能力。我们讨论了将这些支持整合到教育技术中的意义。
白皮书：LED 终极指南：室内和室外高冲击力视觉效果
竞技场和体育场是最早采用 LED 的场所之一，多年来买家需求不断扩大。除了座位区内提供沉浸式体验的巨型 LED 记分牌和回放屏幕外，体育和娱乐场所还在球迷大厅区域使用 LED 显示屏和彩带进行广告和赞助商支持。大屏幕不仅可以在视线水平上呈现广告牌般的效果，还可以让竞技场所有者-运营商在不同活动之间轻松更改赞助商信息。虽然一支冰球队可能有一组赞助商，但同样在那里比赛的 NBA 球队可能有完全不同的租户。建筑物外墙上的大型 LED 显示屏还使所有者能够宣传活动和出售门票，以及在室外直播比赛和举办特别活动。业主套房和俱乐部空间中的墙壁提升了体验，并将体育场馆作为技术领导者脱颖而出。
基于视觉效果的异常检测MRI脑图像 - Alzheimer疾病分析
摘要：近年来，医学图像分析在早期阶段检测疾病方面起着至关重要的作用。医疗图像迅速用于解决人类问题的各种应用。因此，需要复杂的医疗特征来开发诊断系统供医生提供更好的治疗。传统的异常检测方法遭受给定数据中异常区域的错误识别。视觉效果检测方法用于定位异常，以提高拟议工作的准确性。本研究探讨了视觉显着性图在阿尔茨海默氏病（AD）分类中的作用。自下而上的显着性对应于图像特征，而自上而下的显着性在磁共振成像（MRI）脑图像中使用域知识。提出的方法的新颖性在于使用椭圆形局部二进制模式描述符进行低级MRI表征。类似椭圆的拓扑有助于从不同方向获取特征信息。在不同方向上广泛定向特征覆盖了微模式。阿尔茨海默氏病阶段的大脑区域是从显着图中分类的。多内核学习（MKL）和简单而有效的MKL（SEMKL）用于从正常对照组中对阿尔茨海默氏病进行分类。所提出的方法使用了绿洲数据集，并将实验结果与八种最先进的方法进行了比较。提出的基于视觉显着性的异常检测在准确性，敏感性，特殊性和F量的方面产生可靠的结果。
人工智能生成的美国无车城市视觉效果有助于提高对可持续政策的支持
美国高度依赖私家车进行交通运输 [16, 21]。这种依赖是有问题的，因为汽车会导致气候变化，并且比公共交通、步行和骑自行车释放更多的温室气体 [5]。拥有汽车的成本也很昂贵，对低收入个人和家庭来说是一项沉重的经济负担 [12]。此外，汽车浪费了城市中的大量空间，导致交通拥堵和城市扩张 [4]。因此，鉴于其对环境和社会产生的巨大负面影响，迫切需要减少美国的汽车拥有量和使用量 [1, 11]。解决这个问题的一种方法是针对个人消费者并鼓励他们改变行为 [20]。然而，减少私家车使用的举措往往无法改变通勤者的行为 [7]。这主要是因为美国的基础设施极其以汽车为中心，因此使用更可持续的交通方式对消费者来说目前非常不方便。为了解决这个问题，城市规划者和政策制定者被鼓励增加对公共交通基础设施的投资，从而使无车交通更加便捷和可及 [3]。不幸的是，公共交通在美国越来越成为一个两极分化的话题，美国公众和民选官员通常都不愿意支持试图增加这些投资的政策 [13, 6]。在这里，我们展示了如何通过将行为科学的见解与人工智能 (AI) 的最新进展相结合来解决这一问题。心理学方面有大量文献
标题“Siri，给我看 AI 的恐怖图像”：基于文本的框架和视觉效果对人工智能支持的影响
人工智能（AI）——定义为模仿人类思维的计算机程序或系统（Russell & Norvig，2003；Turing，1950）——在媒体信息中被描绘成社会进步的工具和充满危险的潘多拉魔盒（Chuan 等人，2019；Obozintsev，2018）。在过去的半个世纪里，《2001：太空漫游》（1968 年）、《终结者》（1984 年）、《黑客帝国》（1999 年）和《我，机器人》（2004 年）等电影都描绘了威胁人类的人工智能（Perkowitz，2007 年）。然而，近年来，人工智能已成为日常生活的一部分，其应用范围广泛，从 Siri 和 Alexa 等虚拟助手到医疗诊断工具。鉴于人工智能日益突出，不仅要了解公众如何看待这项技术，还要了解是什么影响了他们对这项技术的看法，这一点很重要 (Fast & Horvitz, 2017; Neri & Cozman, 2019)。几项全国性调查显示，美国公众对人工智能的看法不一，认为它既有希望，又有潜在的威胁 (Northeastern University & Gallup, 2018; West, 2018; Zhang & Dafoe, 2019)。同样的调查还强调了人口统计、政治倾向和宗教信仰如何预测人们对这项技术的看法。例如，这些调查显示，男性、拥有大学学位的人、年轻人、民主党人和宗教信仰较少的人对人工智能的看法比女性、没有大学学位的人、老年人、共和党人和宗教人士更为积极。相比之下，研究较少关注媒体信息是否（如果是，又是如何影响）对人工智能的看法。然而，媒体对公众对其他新兴技术的看法产生影响的研究结果表明，这些信息可能在促进对人工智能的支持或反对方面发挥重要作用，包括生物技术（Priest，1994）和纳米技术（Brossard 等，2009；Lee & Scheufele，2006）。考虑到这一点，本研究报告借鉴了科学技术的框架和公众舆论理论（Nisbet，2009；Nisbet & Mooney，2007），以探讨不同类型的信息如何影响对人工智能的支持。具体而言，它以先前关于人工智能新闻报道的研究结果为基础（Chuan 等人，2019 年；Obozintsev，2018 年），测试了两种框架对该问题的影响：支持人工智能的“社会进步”框架和反对人工智能的“潘多拉魔盒”框架。该研究还以竞争性框架研究为基础（Chong & Druckman，2007a，2007c；Nisbet 等人，2013 年），通过测试接触竞争性框架对人工智能的影响。同时，它与大多数框架研究（参见 Bolsen 等人，2019 年；Feldman 和 Hart，2018 年；Hart 和 Feldman，2016 年；Powell 等人，2015 年）不同，它研究的是图像（在本例中是现实世界的虚拟助手、现实世界的个人机器人和恐怖电影中的人工智能）如何塑造人们对人工智能的看法，无论是通过图像本身还是与基于文本的框架结合形成的看法。
