XiaoMi-AI文件搜索系统
World File Search SystemAutomate
一项关于基于自动提示的多模式转移学习的调查
学院，印度普鲁切里（Puducherry），在一系列职业中摘要，例如文本输入，图像和识别语音，深度学习的结合已成为处理困难识别工作的重大技术进步，评估对深度学习的多种方式进行了插图研究，这些方法已更改了多种领域，将几个领域的重点放在了尖端技术上。一种强大的深度学习方法表明，以识别目标识别和图像划分的图像的出色功效涉及使用卷积的神经网络。通过转移学习的发展使训练有素的模型可以使用较少的信息部署到进一步的专业职业，从而提高了其效率。文本消息识别以及语言主要发展到深度学习和实例，例如复发性神经网络和长期记忆或系统。这些原型在创建信息，理解环境以及管理自然语言任务中的语言处理范围方面表现出色，包括查询答案，设备解释和评估情感。尽管有限的信息有限，但验证的语言原型的实施仍在文本相关操作的性能方面取得了重大改善。当前，复发性的神经网络用于深度学习进行语音识别，以达到高解释的语音效率以构成文本。关键字：自然语言处理，深度学习，复发性神经网络，卷积神经网络1。深度学习引言人工神经网络模仿人类大脑的结构，是基础深度学习，机器学习的一部分已成为过去十年来人工智能（AI）指数进步的推动力。深度学习算法特别擅长处理大量数据，允许机器直接从原始数据输入（例如文本，语音或图像）中学习，而无需手动功能工程。深度学习的主要创新是其通过多个处理单元或神经元多层学习DT的层次结构表示的能力。这些层逐渐提取更高级别的特征，这就是为什么深度学习对语音识别，自然语言理解和图像识别等合作任务特别有用的原因。
使用基于感知损失的卷积神经网络
目的：这项研究旨在开发一种新的卷积神经网络深度学习（DL）技术，用于从计算机上进行自动化的脑组织分割（CT）扫描，并与磁共振成像（MRI）分割相比评估其性能。材料和方法：这项多中心回顾性研究收集了来自两个机构的199个健康个体的配对CT和MRI数据。将数据分为一个训练集（n = 100）和一个机构的内部测试集（n = 50），其中第二个机构的附加数据集（n = 49）用于外部验证。灰质（GM），白质（WM）和脑脊液（CSF）的地面真相面膜是从T1加权MR图像中赋予的。为三个大脑区域中的每个区域中的每个区域训练了基于U-NET的DL模型，并根据VGG19计算了感知损失。通过计算连续骰子系数（CDICE），联合会（IOU）和第95个百分位数Hausdorff距离（HD95）来评估模型性能。使用定位系数（R 2），类内相关系数（ICC）和Bland-Altman分析，将基于CT的分割的体积估计与MRI衍生体积进行了比较。结果：接受感知损失的DL网络与未经感知损失的训练相比，表现出色。体积分析表明，在内部/外部测试中，GM和WM分别为r 2 = 0.83/0.90和0.85/0.87之间的MRI衍生地面真相与基于CT的分割之间的一致性是r 2 = 0.83/0.90和0.85/0.87，而ICC = 0.91/0.94和0.92/0.93。在内部测试中，评估得分（没有感知损失与感知损失）为：CDICE = 0.717 vs. 0.765，HD95 = 6.641 mm，gm中的6.641 mm vs. 6.314 mm； CDICE = 0.730 vs. 0.767和HD95 = 5.841毫米，而Wm为5.644 mm； CDICE = 0.600 vs. 0.630和HD95 = 5.641毫米，而CSF中的5.362 mm，分别是分数。结论：提出的DL方法随着感知损失而增强，可改善CT图像的脑部分割。这种方法显示了有望作为基于MRI的分割的一种替代方法。
使用机器学习的自动测试案例生成
Dhanunjay Reddy Seelam高级软件工程师，美国本顿维尔，美国摘要：软件开发是一个快节奏的行业，需要测试方法同样快速可靠。提出的常规测试案例生成技术倾向于难以满足当今的快速起搏方式的需求。为了减少测试过程中使用的努力，机器学习可以帮助自动化测试用例并同时增强性能。这种技术利用受监督和无监督的学习模型，减少人为因素，消除冗余并改善边缘病例的识别。我们强调了本文中突出的方法，挑战，实施框架和实验结果，以及建议的未来方向，以有效地将ML技术整合到测试自动化管道中。关键字：自动测试案例生成，机器学习，软件测试，监督学习，无监督学习，测试自动化
自动数据提取和...
摘要：通过教育环境中的考试脚本评估学生至关重要，尤其是在教育工作者的“掌握反馈”中，增进了学生的理解和自我调节。但是，它仍然是一项忙碌的练习，需要一些创新的解决方案。本研究建议将机器人技术整合起来，以使记录和整理标记的脚本自动化，以减轻讲师的负担并提高生产率。关键目标包括使用定向快速和旋转简介（O.R.B.）之类的方法开发数据提取管道用于图像对齐和自适应阈值，用于照明变化。此外，使用单个输入卷积神经网络（SICNN）的角色识别模型设计了三种预处理技术（BINACARITION，更薄和梯度幅度计算），该技术根据不同的图像要求量身定制。对“ EMNIST BY_MERGE”数据集进行的培训显示出多样化的验证精度，梯度输入SICNN模型的总体达到了最高，总体上达到了89.24％，而二进制输入SICNN模型在自定义脚本上以99.39％的效果出色。这种方法旨在增强教育行政流程和效率，从而实现可持续教育。关键字：数据提取，字符识别，手写测试脚本，图像处理，卷积神经网络。
Clearinspect AI 检查可通过自动警报和行动防止乱扔垃圾。
人工智能驱动的检查利用人工智能来改善机构（包括学校、医院、工厂和政府机构）监督合规性、监控流程和维持质量标准的方式。通过应用人工智能技术，可以更快地进行检查，并且更加准确和一致。人工智能系统从各种来源（例如摄像头和传感器）收集数据，然后使用机器学习算法来分析这些信息、识别模式并检测潜在问题。这些系统可以自动生成综合报告，强调关键发现并建议改进领域，从而简化流程并确保一致性。人工智能的一个主要优势是它能够在潜在问题（例如设备故障或安全隐患）发生之前对其进行预测。这种预测能力使机构能够实施预防措施并就政策和资源分配做出基于数据的决策。此外，人工智能支持实时监控，使机构能够迅速应对任何新出现的问题。总之，人工智能驱动的检查提高了效率、准确性和可扩展性，同时通过及早发现问题来帮助降低成本。这些系统在许多行业中都有广泛的应用，但也带来了挑战，例如数据隐私问题和集成的复杂性。随着人工智能技术的进步，这些检查系统预计将变得越来越普遍，从而大大改善机构监督和管理。
自动杂草检测的AI-AI-AI-EIVIE VISION变压器：在农业中推进创新
摘要 - 精确农业专注于自动杂草检测，以改善输入的使用并最大程度地减少除草剂的施用。提出的纸张概述了一个视觉变压器（VIT）模型，用于杂草检测，该模型应对农作物和杂草的相似之处，尤其是在复杂的，多样化的环境中，这是由于农作物和杂草的相似性而引起的。该模型是通过使用高分辨率无UAV图像在有机胡萝卜场上拍摄的具有农作物，杂草和背景的高分辨率的无UAV图像的图像进行训练的。由于包括自我注意力的VIT机制的性质，这使其能够捕获长期的空间依赖性，因此这种方法可以很好地将作物行与排间杂草间簇区分开。解决了类不平衡的问题并改善了斑块的通用性，使用了数据预处理技术（例如贴片提取和增强）。在分类中的精度为89.4％，超过了基本模型（例如u-Net和FCN）在实际应用条件下的效率，已证实了所提出的方法的有效性。这种提出的基于VIT的方法是作物管理的明显改善。并为选择性杂草控制提供了前景，以支持更可持续的农业。该模型也可以集成到基于AI的拖拉机中，以实现现场的实时杂草管理。
使用机器学习的自动冲程预测
摘要：中风是一种危险的医学障碍，当血液流向大脑的流动被破坏时，会导致神经系统障碍。这是全球范围内的巨大威胁，具有严重的健康和经济影响。为了解决这个问题，研究人员正在开发自动中风预测算法，这将允许早期干预甚至可以挽救生命。随着人口年龄的增长，处于中风风险的人数正在增长，使精确有效的预测系统越来越关键。wo在与六个众所周知的分类器的比较检查中，根据与概括能力和预测准确性有关的指标，探索了所提出的ML技术的有效性。在本研究中，我们还研究了两种可解释的技术，即形状和石灰。Shap（Shapley添加说明）和石灰（局部可解释的模型 - 不合Snostic解释）是建立良好且可靠的方法，用于解释模型决策，尤其是在医疗行业中。实验的发现表明，更复杂的模型优于更简单的模型，顶部模型获得了几乎91％的精度，而其他模型则达到了83-91％的精度。所提出的框架（包括全球和局部可解释的方法）可以帮助标准化复杂的模型并洞悉其决策，从而增强中风护理和治疗。索引术语 - 中风预测，可解释的机器学习，形状，石灰
自动化状态：现实主义视图
本文在三个部分中绘制了另一种“现实主义”视图。首先，政策制定者不太可能制定批评家的定制新调节，因为AI的双胞胎能力导致和治愈错误，偏见和不平等。在每个恐怖故事中都会有一个成功的故事 - 一种新技术使政府的工作更加有效，准确，敬意，尊重法则和公平。第二，相对于批评家的要求，公法始终受到根本性限制。的确，即使是进步的评论员长期以来一直警告说，政府的问题可能不会太少，但是太多了，而且新的程序负担，无论善意，都可以巩固已经缺乏活力的政府。最终的见解如下：未来的紧迫任务可能比AI的批评家所建议的更重要，更雄心勃勃。的确，如果算法问责制将被提起诉讼而不是立法，那么努力应比他们对法律适应的重点更多，即对现有的法律框架（尤其是普通行政法）的量身定制，尤其是普通行政法，对政府的新算法工具包进行裁缝。明智的适应，而不是占据大量学术文献的蓝天监管大修，应该是一天的顺序。本文使这条路开始了。
Aqua：带有视觉锚点的软件教程视频中的自动提问
但是，在某些情况下，即使在视频中跳来跳去后，用户仍然很难构成某些部分，尤其是如果视频无法解决其特定查询时。在这种情况下，他们经常在评论部分留下问题，要求对视频的特定部分进行进一步的解释[54]。虽然及时回答问题对于从教程中有效学习至关重要，但是从社区获得答案或教程作者可能需要数小时或几天。在某些情况下，问题甚至可能没有解决。解决问题的延迟会破坏学习过程，并阻止观众完全参与教程内容。为了解决这个问题，我们探索了自动回答有关教程视频问题的过程的方法。我们首先是对用户问答行为的深入分析。为了洞悉这种行为，我们从Autodesk Fusion 360的前20个最受欢迎的视频教程（3D计算机辅助设计（CAD）软件应用程序中，我们收集了所有5,944个共同的数据集。在评论中确定了663个问题后，我们进一步确定了四个主要类别问题：有关教程内容（“内容”）的问题，有关学习者的个人设置的问题或有关教程（“用户”）（“用户”）的挑战，有关视频的元信息（META）的问题，以及与内容不直接相关的问题。
带有自动清洁系统的双轴太阳能跟踪器
摘要本研究论文的目的是通过提高太阳能系统的效率来解决全球能源危机。可再生能源，尤其是太阳能，对于降低对常规能源的依赖至关重要。但是，几个因素会影响太阳能光伏（PV）模块的能量提取，从而限制了它们的效率。为了克服这些问题，本文提出了与自动清洁机制集成的双轴太阳能跟踪系统。双轴跟踪器通过保持太阳能电池板的垂直于阳光来确保最大的太阳辐射捕获，而自动清洁机构则消除了灰尘的积累，保持一致的效率。与传统的固定太阳能电池板相比，该系统可以将能源输出提高高达30％。