XiaoMi-AI文件搜索系统
World File Search System视觉模型
单峰和多模式模型中的视觉表示
尽管通过视觉和语言预处理取得了令人印象深刻的进步，但尚不清楚这种联合学习范式是否可以帮助理解每种单独的方式。在这项工作中，我们通过探测广泛的任务，旨在以细微的方式评估学习代表的质量，对视觉和语言模型和视觉模型进行比较分析。有趣的是，我们的经验观察表明，视觉和语言模型在标签预测任务（例如对象和属性预测）方面更好，而仅视力模型在需要更局部化的密集预测任务下更强大。我们希望我们的研究能阐明语言在视觉学习中的作用，并作为各种训练有素的模型的经验指南。代码将在https：//github.com/lizw14/visual_probing上发布。
![[AI 法案] GPAI 简介和示例](/simg/g:\will\search\icon\source\1\15c6e5b87ce2d7ae0527faeea59376c5a13fb597.png)
[AI 法案] GPAI 简介和示例
目前对 GPAI 的讨论往往集中在 AI 研究前沿的大型语言或大型视觉模型上，例如 OpenAI 的 GPT-3 和 DALL·E 2 或 Google 的 PaLM。但拟议的定义还将涵盖许多预先训练的、多用途的 AI 模型（例如用于对象检测），这些模型作为云 AI 服务提供——例如通过 AWS、Google Cloud 或 Microsoft Azure 提供的服务——已经得到广泛使用。这些也通常没有《AI 法案》所规定的特定预期用途。委员会和其他提案可能会让合规负担落在中小企业和其他调整 GPAI 系统以供下游使用的参与者身上，同时（无意中）减轻了一些全球最大公司对其开发的技术可能造成的危害的责任。
基于人工智能和沉浸式技术的游戏化学习：概述
摘要 本文探讨了严肃游戏与人工智能和沉浸式技术在教育中的应用。我们讨论了基于图像识别、人类情感、语音和智能代理的使用来开发具有适应性和个性化的严肃教育游戏，以模拟人类对手的“身临其境”效果，并控制游戏级别和游戏内容的复杂性。我们研究了一些工具，让教师和学生可以在没有编程技能的情况下创建基于人工智能和沉浸式技术的教育游戏：Aurora Neverwinter Nights 工具集、带有 Snap! 可视化编程的 eCraft2Learn 工具、具有人工智能能力的 Scratch、使用 Google AI 的计算机视觉模型开发 AR 应用程序的 Metaverse Studio、用于沉浸式应用程序的 CoSpaces Edu 和 EV Toolbox 构造器。
AI-900 WhizCard
自定义视觉服务可帮助您创建自己的计算机视觉模型。这些模型基于图像分类。对于任何分类模型，它应该是每个已知类别或类别的一组图像。自定义视觉服务依赖于深度学习技术。这些技术使用卷积神经网络 (CNN)。CNN 将像素链接到类别或类别。要创建自定义视觉解决方案，用户可以使用通用 Azure 认知服务资源。它包括用于训练和预测的资源。或者他们可以创建仅用于训练或预测的单独自定义视觉资源。这种分离仅对资源跟踪目的有用。配置资源后，用户在自定义视觉门户上训练模型：https://www.customvision.ai。在这里，他们可以创建应用程序并提交图像。它应该有足够的来自各个角度的对象类图像。创建模型后，该服务会根据以下指标评估模型性能：
性能和功耗：使用 CARAML 对加速器上的 AI 工作负载进行系统评估
摘要 — 机器学习 (ML) 技术的快速发展推动了专用硬件加速器的发展，旨在促进更高效的模型训练。本文介绍了 CARAML 基准测试套件，该套件用于评估在一系列硬件加速器上训练基于 Transformer 的大型语言模型和计算机视觉模型时的性能和能耗，包括 NVIDIA、AMD 和 Graphcore 的系统。CARAML 提供了一个紧凑、自动化、可扩展和可重复的框架，用于评估各种新型硬件架构中 ML 工作负载的性能和能耗。本文详细讨论了 CARAML 的设计和实现，以及一个名为 jpwr 的自定义功率测量工具。索引术语 — 机器学习、能量、NLP、计算机视觉、AI、性能测量、基准、GPU、IPU、加速器
计算机视觉及其应用领域
计算机视觉算法将图像解释为一系列像素，每个像素都有自己的一组颜色值。像素基本上定义为由 3 种加法原色即 RGB（红绿蓝）组合而成的单位。此组合的强度可能不同，以表示不同的颜色。颜色存储在像素内。然后，使用由许多像素组成的大量数据训练计算机视觉模型 — 计算机处理图像、为其上的对象添加标签并在相应对象中查找相关模式。例如，如果我们发送一百万张不同汽车的图像作为输入，计算机将分析并识别与所有汽车相似的模式，然后在此过程结束时，创建一个模型，每次我们向他们发送图片时，该模型都可以准确检测出特定图像是否是汽车。[2] [1]
使用分布语义模型解码与字面和隐喻句子理解相关的大脑活动
近年来，自然语言处理 (NLP) 社区对评估语义模型捕捉大脑中人类意义表征的能力的兴趣日益浓厚。现有研究主要集中于应用语义模型来解码与单个单词含义相关的大脑活动模式，最近，这种方法已扩展到句子和更大的文本片段。我们的工作是首次在此背景下研究大脑中的隐喻处理。我们评估了一系列语义模型（词嵌入、组合模型和视觉模型）解码与阅读字面和隐喻句子相关的大脑活动的能力。我们的结果表明，组合模型和词嵌入能够捕捉字面和隐喻句子处理中的差异，这为在熟悉的隐喻理解过程中无法完全理解字面含义的观点提供了支持。
CNN和视觉模型的比较研究图表图像分类
摘要：图表图像分类是自动化数据提取和从可视化的解释的关键任务，这些任务被广泛用于业务，研究和教育等领域。在本文中，我们评估了卷积神经网络（CNN）和视觉模型（VLM）的性能，鉴于它们在各种图像分类和理解任务中的使用越来越多。，我们构建了25种图表类型的不同数据集，每个数据集包含1,000张图像，并培训了多个CNN体系结构，同时还评估了预训练的VLM的零拍概括能力。我们的结果表明，在经过专门用于图表分类的培训时，CNN胜过VLM，尽管如此，它仍显示出有希望的潜力，而无需特定于任务的培训。这些发现强调了CNN在图表分类中的重要性，同时突出了VLM的进一步微调的未开发潜力，这对于推进自动数据可视化分析至关重要。
野生动物生物学家III - 传粉媒介（1位）
职位：野生动植物生物学家III - 授粉媒介（1个位置）向以下机构报告：Sr。研究科学家 - 西部森林野生动物生态学家工作周：豁免职位；每周40多个小时以满足工作要求的修订：2025年2月18日，偏远时间：远程持续时间：依赖项目，3月至8月（至少6个月）薪水：4,889美元至$ 5,700；与经验相称的关键词：大黄蜂，摄像机陷阱，北加州，检测模型好处：有资格获得福利的职位野生动植物生物学家III将有助于设计在北加州北部部署相机陷阱的实验，以研究自动化的大黄蜂蜜蜂监测效率。他们将处理和分析在2024年和2025个现场季节期间收集的数据，开发用于鉴定和分类的大黄蜂的计算机视觉模型，并进行实验以优化模型性能。
利用人工智能驱动的制造业视觉检测重新定义质量控制
制造业并非在真空中运作，但许多传统视觉模型处理视觉检查时却好像在真空中运作一样。当外部或内部环境发生变化时，AI/DL/ML 系统的性能会下降。假设一个 AI 系统正在检查智能手机上的划痕。系统必须能够响应变化，例如季节性变化导致工厂的照明水平发生变化，新的制造工艺使之前为银色的划痕变得更暗，或者相机镜头沾上污渍导致图像突然模糊。制造商也会定期更改产品要求，但检查团队可能已经根据原始要求标记了数据。例如，一家工厂可能以前认为 1 毫米的划痕是可以接受的，但后来改变了要求，只允许 0.8 毫米以下的划痕。