XiaoMi-AI文件搜索系统
World File Search SystemATES
CIC：文化意识的图像字幕的框架
图像字幕使用视觉语言预先训练的模型（VLP）（例如Blip）从图像中生成描述性句子，该模型已得到很大改善。然而，当前的方法缺乏图像中描述的文化元素的详细描述标题，例如亚洲文化群体的人们穿着的传统服装。在本文中，我们提出了一个新的框架，具有文化意识的图像字幕（CIC），该框架生成字幕并描述从代表文化的图像中的文化视觉元素中提取的文化元素。受到通过适当提示来构建视觉模式和大语言模型（LLM）的方法的启发，我们的框架（1）基于图像中的文化类别产生问题，（2）提取文化的视觉问题（VQA）中的文化vi sual元素（VQA），并使用生成的问题以及（3）具有文化文化 - 瓦拉避难所使用llms的文化范围。我们对来自4个不同文化群体的45名参与者进行的人类评估对相应的文化有很高的了解，这表明，与基于VLP的图像字幕基线相比，我们提出的框架会产生更文化的描述性标题。可以在https：//shane3606.github上找到。io/cic。
基于 YOLOv2 和卷积神经网络的 MRI 脑肿瘤分析改进框架
摘要 脑肿瘤是一组异常细胞。大脑被包裹在更坚硬的头骨中。异常细胞生长并引发肿瘤。由于肿瘤形状不规则，肿瘤检测是一项复杂的任务。所提出的技术包含四个阶段，即病变增强、特征提取和选择以进行分类、定位和分割。磁共振成像 (MRI) 图像由于某些因素（例如图像采集和磁场线圈的波动）而带有噪声。因此，使用同态小波滤波器进行降噪。然后，使用非支配排序遗传算法 (NSGA) 从 inceptionv3 预训练模型中提取特征并选择信息特征。优化的特征被转发进行分类，之后肿瘤切片被传递到为肿瘤区域定位而设计的 YOLOv2-inceptionv3 模型，以便从 inceptionv3 模型的深度连接 (mixed-4) 层提取特征并提供给 YOLOv2。将定位图像传递给 McCulloch 的 Kapur 熵方法以分割实际肿瘤区域。最后，在三个基准数据库 BRATS 2018、BRATS 2019 和 BRATS 2020 上验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位、分割和分类中取得了 0.90 以上的预测分数。此外，与现有方法相比，分类和分割结果更优。
物联网FDP手册
Akshaya理工学院位于Tumakuu Ru，由Akshaya教育信托基金会与Shivaku-Mar K S博士建立，是该研究所的主席，该研究所是一位著名的儿科医生，以其简单，远见和企业家而闻名。自2009年Akshaya技术学院成立以来，Sri Sri Sri Shivakumara Swamiji的祝福是Siddaganga Mutt的Sri Sri Sri Shivakumara Swamiji，该学院已经取得了巨大的势头，成为该国知名机构之一。Tumkur正在考虑智能城市发展计划，并拥有一个庞大的工业乡镇和食品园区，在多方面的地区为工作机会带来了巨大的工作机会。校园分布在25英亩的土地上，宽阔的建筑物和郁郁葱葱的绿色开放空间。该研究所的目的是进行高质量的工程教育，以产生全球可接受的毕业生。为了实现这一目标，该研究所拥有良好的学术环境，高度合格，专门的教职员工，设备齐全的实验室，具有最先进的实验设施，以生产世界一流的工程师。该研究所在工程七个推力领域的研究生（UG）课程下提供；机械工程，土木工程，计算机科学与工程，信息科学与工程，智能农业技术，农业工程以及电子和通信。工程。
改进了基于yolov2和卷积神经网络MRI的脑肿瘤分析的改进框架
抽象脑肿瘤是一组异常细胞。大脑被封闭在更刚性的头骨中。异常细胞生长并开始肿瘤。检测肿瘤是由于不规则的肿瘤形状而成为复杂的任务。所提出的技术包含四个阶段，这些阶段是病变增强，特征提取和用于分类，定位和分割的选择。磁共振成像（MRI）图像由于某些因素（例如摄取图像和磁场线圈波动）而嘈杂。因此，使用同态小波档案进行降噪。后来，使用非主导的排序遗传算法（NSGA）选择了InceptionV3预训练模型中提取的特征和信息特征。将优化的特征转发用于分类，然后将肿瘤切片传递给Yolov2-InceptionV3模型，设计用于肿瘤区域的定位，从而从深度偶联（混合-4）层的IntectionV3模型中提取特征并提供给Yolov2。将局部图像传递给麦卡洛克的卡普尔熵方法，以分割实际的肿瘤区域。最后，在三个基准数据库2018，Brats 2019和Brats 2020中验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位，分割和分类中获得的预测得分大于0.90。此外，与现有方法相比，分类和分割结果优越。
在提供医疗服务的过程中使用AI的知情同意
摘要：已经有好几年了，医生在其专业实践中使用基于人工智能（AI）的医疗设备。使用这些工具使卫生服务更具个性化，适合患者的个人特征和需求。AI系统也有可能为患者提供有关其健康状况和治疗方法的信息。使用配备了AI危险的医疗设备，包括算法错误的风险，网络攻击的风险以及算法不匹配的风险（假阳性或假阴性结果）。大多数患者不知道这些工具，因此并不是每个人都会信任它们。从患者那里获得知情同意是任何医疗干预的必要条件。这项研究试图回答以下问题：（1）是否有法定可能性为AI提供能力告知患者的健康状况和拟议的治疗方法？; （2）AI行为的不可预测性和不透明性是否会影响医疗干预前应向患者提供的信息范围？; （3）Physician应该向患者提供哪些信息，以便将其视为知情？; （4）是否应始终告知患者参与诊断或治疗过程？预先提到的研究使用了比较法方法。美国，比利时和德国法律进行了分析。
欧盟国家数字技术使用与农业生产力关系的横断面分析
摘要：随着数字技术的快速发展及其对农业生产力的潜在影响，农民越来越多地转向农业 4.0。随着数字化渗透到农业的各个方面，在确保可持续性和复原力的同时提高生产力的潜力变得越来越明显。本研究的目的是了解数字技术的采用如何影响欧盟国家多样化社会经济和农业景观中的农业生产力。本研究旨在解决有关数字技术使用对欧盟国家农业生产力的影响的问题。本研究采用了一个强大的分析框架，结合了方程模型 (SEM)、人工神经网络和聚类分析。SEM 分析揭示了欧盟国家数字技术的使用与总劳动力相关的生产力之间存在显著的关联和影响。此外，聚类分析概述了欧盟成员国的不同集群，这些集群以不同程度的数字技术融合和相应的农业生产力为特征，强调了影响这些关联的不同社会经济背景。这些发现强调了采用数字技术作为提高欧盟国家农业生产力的催化剂的重要性。未来的研究可以集中在制定战略以促进欧盟成员国农业广泛采用数字技术，纵向分析可以深入了解数字技术的使用与农业产量之间的动态关系，为政策干预提供信息。
在线控制教育...
近年来，技术的快速进步、众多创新和世界数字化改变了公司和机构的工作方式。他们还调整和创造了新的方法和流程，以实现更有效、更具创新性的教育。他们试图让学生的学习过程更轻松 ([10]、[7]) 、更高效。教育的进步也为科学、技术和发展做出了贡献。理想的结果是将教育和研究活动结合起来，创造支持行业的创新 [1]。更好的教育最终可以造福每个人。通过数字化主题可以支持更有效的教育。简化设备设计、理解技术规格、促进设备原型设计，甚至降低制造过程成本，这些只是 3D 硬件数字化众多用途中的一小部分 ([19]、[3])。世界各地有许多三维环境，它们试图整合、运行和模拟来自不同领域的知识 [12]。研究表明，58% 的学生同意模拟、演示和虚拟实验室等方法让他们在实验室课堂上更加自在 [14]。如今，我们可以在几乎每个工作领域观察到数字化的趋势 [4]。它使我们能够在真实情况发生之前面对它们，从中吸取教训，从另一个角度看待问题，更快地做出反应，最终节省成本。
Lightning：一种可重构的光子电子智能网卡，可实现快速、节能的推理
基于机器学习的应用程序的大量增长和摩尔定律的终结迫切需要重新设计计算平台。我们提出了 Lightning，这是第一个可重构的光子电子智能 NIC，用于满足实时深度神经网络推理请求。Lightning 使用快速数据路径将流量从 NIC 馈送到光子域，而不会产生数字数据包处理和数据移动瓶颈。为此，Lightning 利用了一种新颖的可重构计数动作抽象，可以跟踪每个推理包所需的计算操作。我们的计数动作抽象通过计算每个任务中的操作数将计算控制平面与数据平面分离，并在不中断数据流的情况下触发下一个任务的执行。我们使用四个平台评估 Lightning 的性能：原型、芯片综合、仿真和模拟。我们的原型展示了以 99.25% 的准确率执行 8 位光子乘法累加运算的可行性。据我们所知，我们的原型是频率最高的光子计算系统，能够以 4.055 GHz 的速度端到端处理实时推理查询。我们对大型 DNN 模型的模拟表明，与 Nvidia A100 GPU、A100X DPU 和 Brainwave smartNIC 相比，Lightning 将平均推理服务时间分别加快了 337 × 、329 × 和 42 × ，同时消耗的能量分别减少了 352 × 、419 × 和 54 × 。
人工智能，真实结果
人工智能 (AI) 是我们历史上发展最快的创新之一，它为我们带来了前所未有的效率和增长潜力。虽然它通过计算机和手机继续在我们的日常生活中发挥着越来越重要的作用，但它也永久地改变了牙科的运作方式，无论是在椅旁还是在实验室。得益于设计软件和口内扫描的最新发展，当天修复的可能性已成为现实。与此同时，对于牙科实验室来说，制作修复体的过程变得更加准确和可预测。为了让世界各地的牙医都能更方便地使用数字化牙科，Glidewell 找到了创造性的解决方案，确保临床医生能够利用数字化实验室，而无需显著改变他们的工作流程。通过开发和实施设计牙冠的复杂 AI 算法，Glidewell 现在可以将与高级计算机辅助设计 (CAD) 和计算机辅助制造 (CAM) 相关的复杂任务直接分配给 AI 算法，最终为临床医生提供简化的工作流程。但 AI 的好处不仅限于制造阶段。通过将 AI 技术融入其 glidewell.io™ In-Office 解决方案系列产品（例如 fastdesign.io™ 软件和设计站以及 fastmill.io™ In-Office Mill），Glidewell 成功地将实验室置于椅旁 — 让临床医生能够直接从办公室受益于数字实验室。
用于水库计算的多个读数的集成学习
储存器计算 (RC) [1, 2] 是一种循环神经网络，近年来因其训练成本低、可通过专用电路 [3, 4] 和物理 RC [5, 6] 在硬件上实现而备受关注。RC 由储存器部分和读出部分组成，储存器部分接收时间序列输入并将其非线性转换为高维空间以表示输入的时空模式，读出部分从储存器部分拾取一些模式来分析输入并生成输出。RC 的主要优势是除读出部分之外的权重连接都是固定的。因此，与深度神经网络相比，其训练所需的数据量更少，计算成本更低。因此，RC 适用于计算资源有限且无需云计算即可执行训练的边缘 AI 系统。 RC 的读出大多由线性模型（单层感知器）实现，因此，读出的适应训练数据的能力有限。为了增强 RC 的训练能力，我们提出了一个具有多个读出的 RC 模型，该模型将一个读出的训练分散，以便每个读出可以专注于特定类型的训练数据。该方法可以看作是一种集成学习，用于增强 RC 泛化性能。简单地增加读出的数量对于边缘 AI 系统来说是低效的，因为它会消耗系统中有限的内存资源。本研究引入了一种自组织函数，它能够使用