XiaoMi-AI文件搜索系统
World File Search SystemAutomatic
XAI 的符号 AI：评估 LFIT 归纳编程以实现公平且可解释的自动招聘
机器学习方法在生物识别和个人信息处理（例如法医、电子医疗、招聘和电子学习）领域的重要性日益增加。在这些领域，基于机器学习方法构建的系统的白盒（人类可读）解释可能变得至关重要。归纳逻辑编程 (ILP) 是符号 AI 的一个子领域，旨在自动学习有关数据处理的声明性理论。从解释转换中学习 (LFIT) 是一种 ILP 技术，可以学习与给定黑盒系统等同的命题逻辑理论（在特定条件下）。本研究通过检查 LFIT 在特定 AI 应用场景中的可行性，迈出了将准确的声明性解释纳入经典机器学习的通用方法的第一步：基于使用机器学习方法生成的自动工具进行公平招聘，用于对包含软生物特征信息（性别和种族）的简历进行排名。我们展示了 LFIT 对这个特定问题的表达能力，并提出了一个可应用于其他领域的方案。
迈向自动动力电池检测：新挑战基准数据集和基线
我们对一项名为动力电池检测（PBD）的新任务进行了全面的研究，该任务旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估动力电池的质量。现有制造商通常依靠人眼观察来完成 PBD，这使得很难平衡检测的准确性和效率。为了解决这个问题并让更多人关注这个有意义的任务，我们首先精心收集了一个称为 X 射线 PBD 的数据集，该数据集包含从 5 家制造商的数千个动力电池中选择的 1,500 张不同的 X 射线图像，具有 7 种不同的视觉干扰。然后，我们提出了一种基于分割的新型 PBD 解决方案，称为多维协作网络（MDCNet）。借助线和计数预测器，可以在语义和细节方面改进点分割分支的表示。此外，我们设计了一种有效的距离自适应掩模生成策略，可以缓解由板分布密度不一致引起的视觉挑战，从而为 MDCNet 提供稳定的监督。无需任何花哨的修饰，我们基于分割的 MDCNet 始终优于其他各种角点检测、人群计数和基于一般/微小物体检测的解决方案，使其成为有助于促进 PBD 未来研究的强大基础。最后，我们分享了一些潜在的困难和未来研究的工作。源代码和数据集将在 X-ray PBD 上公开提供。
多模态人工智能中的偏见：公平自动招聘的试验台
决策算法在社会中的存在感如今正在迅速增加，同时人们也开始担心其透明度以及这些算法可能成为新的歧视来源。事实上，许多相关的自动化系统已被证明会根据敏感信息做出决策或歧视某些社会群体（例如，某些用于人员识别的生物特征识别系统）。为了研究当前基于异构信息源的多模态算法如何受到数据中的敏感元素和内部偏见的影响，我们提出了一个虚构的自动招聘测试平台：FairCVtest。我们使用一组有意识地以性别和种族偏见进行评分的多模态合成档案来训练自动招聘算法。FairCVtest 展示了此类招聘工具背后的人工智能（AI）从非结构化数据中提取敏感信息并以不良（不公平）的方式将其与数据偏见结合起来的能力。最后，我们列出了最近开发能够从深度学习架构的决策过程中删除敏感信息的技术的列表。我们使用其中一种算法（SensitiveNets）来实验歧视感知学习，以消除我们多模态 AI 框架中的敏感信息。我们的方法和结果展示了如何生成更公平的基于 AI 的工具，特别是更公平的自动招聘系统。
众包 GNSS 智能手机的自动选择......
智能手机已转换为便携式GNSS（全球导航卫星系统）接收器。具有数十亿此类设备记录的GNSS数据具有很大的科学研究潜力，并具有前所未有的时空分辨率。但是，目前访问大型GNSS智能手机数据的访问量是有限的，并且数据处理具有挑战性。Camaliot项目（机器学习技术在GNSS IOT数据融合中的应用）旨在解决这些问题，以促进众包GNSS数据的可用性，以进行天气预报和太空天气监测。Camaliot众包活动中大量的GNSS数据具有异质性的质量。为了应对此数据处理挑战，我们使用机器学习（ML）开发了一种自动数据选择算法。在这项研究中，比较了不同ML模型的分类性能。还检查了不同数据质量指标的重要性。初始结果表明，基于ML的分类器可以在广告系列的实际数据上获得95％的精度，而无需为质量指标设置明确的阈值。基于选定的智能手机GNSS数据，也进行了对流层参数估计实验。
LandCover.ai：用于建筑物自动测绘的数据集……
土地覆盖和土地利用的监测和评估在自然资源管理中至关重要。遥感数据和图像处理技术已广泛应用于城市和农村地区的土地描述和变化检测。关于土地利用或土地覆盖的详细信息是各个领域的宝贵信息来源，例如城市规划[30,43]、变化检测[17]、植被监测[2]，甚至军事侦察。土地覆盖变化是环境变化[38,37]、森林覆盖动态[32]和退化[21]的指标，也是生物多样性监测的方法之一[31]。此类数据可用于研究景观中发生的过程，例如各种土地覆盖之间的流动 [ 16 ]，从而可以研究城市化、森林砍伐、农业强度和其他人为变化的速度。
用于自动胎儿脑生物测量的双重对抗校准框架
本文介绍了一种新颖的胎儿脑部自动生物测量方法，该方法旨在满足中低收入国家的需求。具体而言，我们利用高端 (HE) 超声图像为低成本 (LC) 临床超声图像构建生物测量解决方案。我们提出了一种新颖的无监督域自适应方法来训练深度模型，使其对图像类型之间显著的图像分布变化保持不变。我们提出的方法采用双对抗校准 (DAC) 框架，由对抗途径组成，可强制模型对以下方面保持不变：i) 来自 LC 图像的特征空间中的对抗性扰动，以及 ii) 外观域差异。我们的双对抗校准方法估计低成本超声设备图像上的小脑直径和头围，平均绝对误差 (MAE) 为 2.43 毫米和 1.65 毫米，而 SOTA 分别为 7.28 毫米和 5.65 毫米。
nn学习驱动的自动控制＆...
在当代工程和科学研究中，自动控制与机器学习之间的相互作用变得越来越重要。本报告探讨了这种关系的两个关键方面：机器学习技术以增强自动控制系统的应用以及使用自动控制原理以改善机器学习算法。首先，我们讨论如何利用机器学习来优化复杂系统中的控制策略，从而对动态环境产生适应性和智能的反应。的技术（例如增强学习和神经网络）是否有能力从数据中学习，从而产生更有效的控制机制，这些机制可以处理不确定性和非线性。其次，我们研究了如何将自动控制原理应用于完善机器学习过程。可以利用诸如反馈控制之类的概念来稳定学习算法，减少过度拟合并确保各种机器学习应用中的收敛性。这种双重视角强调了整合这两个领域而产生的相互利益和协同作用。通过案例研究和示例，我们证明了将机器学习和自动控制相结合，为机器人技术，自主系统和智能技术的进步铺平道路的变革潜力。最终，本报告旨在提供有关研究的未来方向以及合并这两个领域的实际含义的见解。
基于洛拉的智能农业监测和自动灌溉系统
农业是一个在确保粮食安全和可持续发展方面起着至关重要的作用的部门。然而，传统农业实践面临着诸如无效灌溉方法和缺乏实时监测之类的挑战，导致水浪费和农作物产量降低。几种试图解决这些挑战的系统，例如基于Wi-Fi，蓝牙和3G/4G细胞技术的系统；而且还会遇到困难，例如较低的传输范围，高功耗等。为了解决所有这些问题，本文提出了基于洛拉的智能农业监控和自动灌溉系统。该系统利用Lora技术用于远程线 - 无需通信，用于实时数据可视化和控制的Blynk平台以及用于数据存储，可视化和进一步的分析的ThingsPeak平台。系统包含多个组件，包括用于数据收集的传感器节点，数据传输的网关以及用于灌溉控制的执行器节点。实验结果表明，所提出的系统有效地监视了收集的数据，例如土壤水分水平，实时可视化数据，并根据传感器数据和用户命令自动控制灌溉。本研究中提出的系统为可持续农业实践提供了一种具有成本效益，有效的解决方案。关键字
在机器中利用Yolo算法和Paddleocr ...
妇女家庭科学与高等教育研究所，印度泰米尔纳德邦哥印拜陀摘要：该系统通过利用眼睛追踪技术的力量来无缝控制家庭用具，从而彻底改变了瘫痪者的生活。利用OPENCV进行鲁棒和实时的眼动追踪，该系统通过专注于预定义的模式或命令，使患者能够轻松地与周围环境互动。用户友好的界面促进了眼动与各种家用设备（包括灯光，风扇和娱乐系统）之间建立连接。这种创新的解决方案赋予了机动性有限的个人重新获得独立性的能力，通过基于直觉的目光命令简化了日常工作和生活空间的管理。通过提供一种新颖的沟通和控制途径，该系统为瘫痪的患者提供了一种新的自主性，便利性和改善的生活质量。索引术语：瘫痪，眼睛跟踪技术，OPENCV，预定义的模式或命令，家用设备，基于目光的控制。
临床数据仓库的大脑T1加权磁共振图像的自动质量控制
图1：来自临床数据仓库和Correponding标签的T1W脑图像的示例。a1：质量高的图像（第1层），没有gadolinium； A2：质量高（第1层），带有Gadolinium； B1：中等质量（第2层），没有Gadolinium（噪声1级）； B2：中等质量（第2层），带有Gadolinium（对比1级）； C1：不良质量（第3层），没有gadolinium（对比2级，运动2级）； C2：不良质量（第3层），gadolinium（对比2级，运动级1级）； D1：笔直排斥（分段）； D2：直接拒绝（裁剪）。