XiaoMi-AI文件搜索系统
World File Search SystemAutomated
一种CNN方法来自动检测和分类脑肿瘤
摘要 - 脑肿瘤需要评估以确保及时诊断和有效的患者治疗。形态学因素，例如大小，位置，纹理和可变外观 - 肿瘤检查。医学成像提出了挑战，包括噪声和不完整的图像。本研究文章介绍了一种处理磁共振成像（MRI）数据的方法，包括用于图像分类和DeNoing的技术。有效使用MRI图像使医疗专业人员可以检测包括肿瘤在内的脑部疾病。这项研究旨在通过分析提供的MRI数据来对健康的脑组织和脑肿瘤进行分类。与诸如计算机断层扫描（CT）之类的替代方法不同，MRI技术提供了内部解剖组件的更详细表示，是研究与脑肿瘤相关的数据的合适选择。MRI图片首先使用各向异性扩散滤波器进行脱氧技术。用于模型创建的数据集是公共访问且经过验证的脑肿瘤分类（MRI）数据库，其中包括3,264次大脑MRI扫描。SMOTE用于数据增强和数据集平衡。卷积神经网络（CNN），例如RESNET152V2，VGG，VIT和EFIDENTEN，用于分类程序。有效网络的精度为98％，是记录最高的。索引术语 - MRI，EfficityNet，脑肿瘤，Smote，CNN
刑事司法的分析和自动决定
10.45 – 13.00 Panel II: Algorithmic Predictions & Profiling – Impact on Fair Trial Rights Chair Jackie Hodgson 10.45 – 11.15 Brandon Garrett (Duke University) , ‘ AI and Due Process' 11.15 – 11.45 Katalin Ligeti (University of Luxembourg) ‘ Algorithmic Profiling and its Im- pact on Fair Trial - a European Perspective' 11.45 - 12.15 Ben Chen（香港大学），“算法预测和解决结果 - 新的认罪交易工具？”12.15 - 13.00讨论13.00 - 14.00午餐休息14.00 - 16.45小组III：AI - 对公平审判权利的影响：证据主席Joe Kennedey 14.00 - 14.30 Andrea Roth（加利福尼亚大学，伯克利大学），‘在美国在美国的试验中有意义的机器证据意味着什么？”14.30 - 15.00 Juliette Lelieur（Strasbourg大学）。 “在法国的审判中，面对机器证据的有意义的权利意味着什么？” 15.00 - 15.30讨论15.30 - 16.00咖啡休息14.30 - 15.00 Juliette Lelieur（Strasbourg大学）。“在法国的审判中，面对机器证据的有意义的权利意味着什么？”15.00 - 15.30讨论15.30 - 16.00咖啡休息
QSEEK：一个用于自动地震检测，本地化和表征的数据驱动框架
摘要我们引入了一种数据驱动的方法和软件，用于检测和定位大型地震数据集中的地震。通过结合通过神经网络相拾取器传递的地震阶段到达注释，并通过自适应OCTREE搜索进行波形堆叠，我们也可以自动检测并定位Seis-MIC事件，即使在噪声主导地震数据中也是如此。搜索量的分辨率是地震源位置的迭代精制；该策略促进了有效，快速和准确的搜索。我们提出了一个基于既定框架，fea-turing事件检测层和复杂的3D速度模型以及事件特征提取功能，SutasmomentAndlocomeMentAndlocalMagnitudeCalcalulculationFrompeakeakermotions，提供了一个用户友好且高性能开源软件框架。Weimedsatation特定的校正和特定于源的电台项中的搜索中，以提高位置准确性。我们通过从不同地区和地质环境中的大型地震数据集中提取广泛的地震目录来验证并验证我们的方法：（1）冰岛雷克雅内斯半岛； （2）德国Eifel火山区； （3）犹他州锻造。我们从构造活动，火山群和诱导的微吸毒活性中捕获地震事件，幅度在-1到5。如此精确而完整的地震目录有助于解释和理解原本隐藏的地下过程。
有关感知不确定性的知识是否有助于代理商进行自动驾驶？
摘要 - 在现实世界中的代理商，例如自动驾驶的环境中的不确定性，尤其是由于感知不确定性。，尽管在不确定性下，这些算法通常不会了解其环境中当前所包含的不确定性，但强化学习专门用于自主决策。另一方面，感知本身的不确定性估计通常是在感知域中直接评估的，例如，基于摄像机图像的假阳性检测率或校准误差。它用于决定面向目标的动作的用途在很大程度上仍未被研究。在本文中，我们研究了代理人的行为如何受到不确定的看法的影响，以及如果有关此不确定性的信息，该行为如何改变。因此，我们考虑了一项代理任务，在该任务中，代理商在不与其他道路使用者发生碰撞的情况下驾驶路线会得到奖励。对于受控实验，我们通过在告知后者的同时扰动给定代理的感知来引入观察空间中的不确定性。我们的实验表明，以扰动感知建模的不可靠的观察空间会导致代理的防御驾驶行为。此外，当将有关当前不确定性的信息直接添加到观测空间时，代理会适应特定情况，并且一般而言，在同一时间占风险的同时，可以更快地完成其任务。索引术语 - 不确定性量化，增强学习，语义分割
自动穿透测试的统一建模框架
摘要 - 将人工智能集成到自动渗透测试（AUTOPT）中，由于其成本效益和迅速的反馈功能，强调了训练智能代理的模拟建模的必要性。尽管AUTOPT研究扩散，但在统一建模方法的统一框架中，仍然存在公认的差距。本文介绍了现有技术的系统综述和综合，引入了MDCPM以基于文献目标，网络模拟复杂性，技术和战术操作的依赖性以及方案反馈和变化对研究进行分类。为了弥合统一方法的差距，用于多维和多级仿真建模，动态环境建模以及公共数据集的稀缺性，我们介绍了Autopt-SIM，这是一个基于策略自动化的新型建模框架，并涵盖了所有子维度的组合。Autopt-SIM提供了一种全面的方法，用于建模网络环境，攻击者和捍卫者，超越了静态建模和可容纳不同尺度的网络的约束。我们公开发布生成的标准网络环境数据集和网络生成器代码。通过灵活地集成公开可用的数据集，可以为各种模拟建模级别提供支持，该模型级别着重于MDCPM中的策略自动化，而网络生成器可帮助研究人员通过调整参数或微调网络生成器来输出定制目标网络数据。
使用机器学习的IT支持机票的自动优先级和路由使用机器学习的IT支持机票的自动优先级和路由
该研究将评估各种机器学习算法，包括SVM，Random Forest和Ensemble Models，以便对门票进行分类和优先级的优先级。准确对门票进行分类和优先级。高级数据预处理技术（例如TF-IDF矢量化和类平衡）用于处理数据不一致和不平衡。此外，研究还研究了将机器学习与基于规则的系统相结合的混合方法，以提高低频和模棱两可的票务类别的分类性能。此外，结合反馈循环和实时数据更新可确保模型适应性的IT环境。
通过 R3D Transformer 实现超声心动图矢量嵌入，推动自动超声心动图的发展
我们的模型性能接近为相同 EF 分类问题开发的当前 SOTA（最先进）分类器，这突显了其质量。例如，我们的准确率高于最新模型，同时与最佳 SOTA 准确率相差 5 分以内。我们的 AUC 也高于最新模型，与最佳 SOTA AUC 相差 6 分以内。a R3D Transformer，ResNet18 主干。b 未公开的算法。c 具有空洞卷积的 3D 卷积神经网络。d GSM，Inception 主干，32 帧超声心动图。e 移动 U-Net。
生物医学数据分析中的人工智能：对自动临床试验解释和统计评估的大语言模型的比较评估
分析临床试验数据对于评估新疗法的功效和安全性至关重要。传统上，此过程需要在生物医学，临床研究，生物统计学和数据科学方面的专业专业知识，通常使其劳动密集型，耗时且昂贵[1]。对于缺乏数据分析培训的临床医生和研究人员，复杂的统计要求可能会成为重大障碍，从而导致将研究结果转化为临床实践的延迟。以大数据集和多个终点为特征的现代临床试验的复杂性日益加剧，加剧了这些挑战[2]。临床试验越来越依赖的不同原始和次要数据源的整合进一步强调了对处理复杂的，异质数据的先进分析工具的需求。介入的临床试验依赖于严格的协议下的一致记录保存，涉及多个学科的专家，包括 - 疾病生物学，专科临床护理，毒理学，转化科学，生物统计学，生物分析科学，监管事务，监管事务和生物医学伦理学。每个领域都为试验设计提供了重要的要素，以确保试验的各个方面都符合监管标准和科学严格的严格性，以产生有关治疗功效和安全性的证据。
材料科学的人工智能
自动化的导向车辆（AGV）在各个研究领域都起着至关重要的作用。我们的项目旨在增强人类的视觉系统并开发智能机器。AGV广泛用于工业领域，社区服务和危险工作环境中。他们在我们的日常生活中具有许多优势，使他们能够像机器人一样感知和对环境做出反应。考虑到它们的广泛使用，我们开发了一个AGV的原型，该原型使用两个DC电动机和一个freewheel遵循平坦表面上的预定路径。相机连接到PC，以通过MATLAB进行图像采集和处理。GUI应用程序允许用户确定路径，而RF模块可以在PC和MicroController之间进行通信。我们可以根据车辆的位置从PC发送命令，然后按照指示向前，向左，右或停止。这项研究旨在利用医疗保健部门的机器人技术来增强残疾人的流动性。该项目涉及开发一个机器人系统，该机器人系统可以跟踪和导航各种环境，包括工业领域，仓库，医疗设施以及人类无法运作的地区。所提出的系统由三个主要组件组成：机器人组件，PC和GUI应用。机器人组件包括Atmega 16A微控制器，电机驱动器电路（L293D），RF模块（CC2500），IR传感器和USB摄像头。PC将从GUI应用程序接收命令，并通过RF模块向机器人组件发送信号。基于IR的传感器用于障碍物检测。系统的功能框图说明了摄像机如何使用阈值捕获车辆路径的鸟眼视图图像，并使用阈值检测车辆上的红色条并跟踪其运动。GUI应用程序允许用户追踪路径，而微控制器识别PC中的命令并控制机器人的运动（向前，左或右）。电路图显示了两个主要部分：机器人组件和PC。机器人组件采用带电机驱动器电路的Atmega 16A微控制器，用于隔离高功率电动机。RF模块CC2500使用串行协议操作，并连接到微控制器的TX和RX引脚。该系统的算法涉及初始化微控制器，USART和电机；从USB摄像头获取图像；处理图像；跟踪位置；向机器人组件发送信号；并在各自的方向上移动机器人。原型实施证明了在各个领域中使用AGV的可行性，包括工业环境，仓库，医疗设施和人类无法运作的危险区域。参考：1。R.C. Arkin和R.R. Murphy，“制造环境中的自动导航”，IEEE Int。 conf。 机器人和自动化，1997年，pp。 2312-2317。 2。 K. Schilling，M。Mellado-Arteche，J。Garbajosa和R. Mayerhofer，“用于工业生产的灵活自动运输机器人的设计”，《 Proc》。 ieee int。 sammp。 工业电子（ISIE'97），第1卷。R.C.Arkin和R.R.Murphy，“制造环境中的自动导航”，IEEE Int。conf。机器人和自动化，1997年，pp。2312-2317。2。K. Schilling，M。Mellado-Arteche，J。Garbajosa和R. Mayerhofer，“用于工业生产的灵活自动运输机器人的设计”，《 Proc》。ieee int。sammp。工业电子（ISIE'97），第1卷。在1997年，纽约纽约发行了一份出版物，涉及从第791页到796。一份题为“自动导向车辆的同时调度和无冲突路线的动态优化”的研究论文发表在2010年的高级机械设计，系统和制造杂志上。另一项研究是“自动制造系统的过程与以资源为导向的Petri净建模”，由N. Wu和M. Zhou进行，出现在2010年5月的《亚洲控制杂志》中。本文讨论了与AGV词典中与AGV相关的框图。