XiaoMi-AI文件搜索系统
World File Search SystemAutomated
机器学习Clifford不变的Ade Coxeter元素
摘要。胸肌分割是乳腺磁共振成像（MRI）的各种计算机辅助应用中的关键步骤。由于胸部和乳房区域之间的伪影和同质性，胸肌边界估计并不是一项琐碎的任务。在本文中，提出了一种基于深度学习的全自动分割方法，以准确描述轴向乳房MR图像中的胸肌边界。提出的方法涉及两个主要步骤：胸肌分割和边界估计。对于胸肌分割，基于U-NET结构的模型用于从输入图像中分离胸肌。接下来，通过候选点检测和轮廓分割来估计胸肌边界。使用两个Real-World数据集，我们自己的私人数据集和一个公开可用的数据集对所提出的方法进行了定量评估。第一个数据集包括12名患者乳房MR图像，第二个数据集由80名患者乳房MR图像组成。所提出的方法在第一个数据集中达到了95％的骰子得分，第二个数据集的骰子得分为89％。在大规模定量乳房MR图像上评估该方法的高分割性能表达了其在将来的乳腺癌临床应用中的潜在适用性。
深层：使用深度学习和公共多光谱图像促进大规模自动化树库存
Deeptrees项目提供了用于培训，微调和部署深度学习模型的工具，以使用德国的数字矫正图计划（DOP）以20 cm的分辨率从德国的数字矫正图计划（DOP）中使用公共访问的图像进行诸如Tree Crown分割，树状特征检测和树种分类。这些DOP图像是根据“ Amtliches popographis-kartographissches Informationssystems”（AKTIS）指南进行标准化的，以确保其长期使用的可靠性和一致性[2]。利用深层python软件包，我们成功地绘制了萨克森州（137,293,260棵树）和萨克森 - 安哈尔特（81,449,641棵树）的218,742,901棵树，展示了该工具在森林，Urban和乡村环境中的可伸缩性（图1）。这些数据集为市政当局和机构提供了宝贵的见解，以管理街道树木，监测城市绿化和评估森林健康，从而实现更明智的决策和可持续的管理实践。
使用基于机器学习的识别系统
摘要 - 手动跟踪教室出勤，这是一种备受推崇的传统方法，由于其对错误和效率低下的敏感性而提出了重大挑战。这些限制不仅消耗了宝贵的教师时间，而且损害了学术记录的准确性，从而影响了学生参与和表现的评估。回答这个问题，我们提出了一种使用基于机器学习的识别系统自动化课堂出勤的方法。这项研究旨在提高教育环境中出勤跟踪的准确性，效率和可靠性。我们研究的核心在于系统的设计和实施，阐明体系结构，数据流和集成到课堂环境中。我们的分析结果表明该系统可以跟踪出勤率的能力，同时提供有关其性能指标的准确信息。我们还深入研究了在课堂上实施此类技术的道德和实际考虑。通过使用基于机器学习的识别来自动化该过程，教育机构可以提高其运行效率，降低错误，并最终提供更有生产力的学习环境。我们的研究为教育研究和技术进步的未来途径打开了大门。关键字 - 自动出勤，出勤跟踪，面部识别，机器学习，课堂技术
太空自动威胁情报共享（SATIS）
太空 ISAC 运营着一个监测中心，用于监测和向全球太空界报告所有威胁和危险信息。监测中心致力于分析、验证和融合来自不同来源的信息，以追踪对手在地面和太空中的活动。它通过从公开信息、政府合作伙伴共享的信息和成员提交的信息中提取和关联数据来实现这一目标。监测中心使用一组行业采用的框架来关联信息，特别是 MITRE ATT&CK、太空攻击研究与战术分析 (SPARTA) 和 STIX。
自动文本识别
自动文本识别是一个困难但重要的问题。它可以概括为：如何使计算机能够识别预定义字母表中的字母和数字，可能使用上下文信息。已经进行了各种尝试来解决这个问题，使用不同的特征和分类器选择。自动文本识别系统在准确性方面已经达到了人类的表现，并且在单一大小、单一字体、高质量、已知布局、已知背景、文本的情况下，速度超过了人类的表现。当上述一个或多个参数发生变化时，问题变得越来越困难。特别是，尽管近四十年来不断进行研究，但要达到人类在识别不同大小、不同风格、未知布局、未知背景的草书方面的表现，远远超出了当今算法的范围。在本报告中，我们详细分析了该问题，介绍了相关困难，并提出了一个解决自动文本识别问题的连贯框架。
crd-automated-decision-decision-initial-statement.pdf
2021年4月30日，理事会举行了关于算法和偏见的民权听证会。理事会从使用算法，人工智能和机器学习工具作为自动化系统的一部分，从使用算法，人工智能和机器学习工具中，可能导致就业，住房，医疗保健和其他环境的歧视获得了专家证词和公众评论。简而言之，在就业背景下，自动化决定系统是一个计算过程，它以影响申请人和/或员工的方式做出决策或促进人类决策。（请参阅下面的第11008.1（a）节，了解理事会关于就业的拟议完整定义“自动化否决系统”。就业。（请参阅新闻稿：DFEH举行有关算法和偏见的民权听证会（2021年5月6日）https://calcivilrights.ca.gov/wp-content/uploads/sites/sites/sites/32/32/2021/05/05/algorithms-hensing-press-propers.press.pdf（上次访问了302. 302. 302. 302：302：302：302：302.3;算法和偏见听证会（4月30，2021）https://www.youtube.com/watch?v=iq_6f9lmufu（上次访问于2023年9月5日）。白宫在最近的AI人权法案的蓝图中解释说：
政府使用人工智能和自动决策的信任框架 - v3
随着各国政府越来越多地探索和投资人工智能和自动决策系统，我们需要采取措施确保这些快速发展的技术在公共服务的特殊环境中得到适当使用。在许多国家，COVID 创造了一个信任度提高的泡沫，这个泡沫可以说已经破灭了，在一个对公共机构前所未有的不信任的时代（但即使在信任度很高的时代），服务速度更快或更具成本效益是不够的。本文为政府系统（技术平台、运营、文化、治理、参与等）提出了建议，这些建议将有助于提高公众对公共机构、政策和服务的信心和信任，同时履行公共部门的特殊义务和责任。
一种检测潜在模式混淆的自动化方法
通过观察、问卷调查和其他技术，心理学家已经能够引出个体操作员（通常是飞行员）的心理模型。然而，将设计与特定个体的心理模型进行比较只能提供非常具体的信息；我们感兴趣的是设计是否容易产生模式混淆，为此，将设计与通用心理模型进行比较比将设计与个体心理模型进行比较更有用。这种通用模型可以从培训材料中提取（培训手册的目的之一，通常是隐含的，就是诱导足够的心理模型），也可以指定为明确的要求（例如，“这个按钮应该像一个切换按钮一样运行”）。认知研究对这些模型的性质提供了两个重要见解：首先，它们可以用称为“状态机”的数学结构紧凑地表示；第二，它们往往相当简单（这可以通过应用两个规范的简化来解释[3]）。
