XiaoMi-AI文件搜索系统
World File Search SystemAutomatic
平行板的自动优化...
图像来自Julien Donini -seminaire lpnhe-2022/2022图像julien donini -seminaire -seminaire lpnhe -14/02/2022 6
通过 3D 卷积神经网络和静息状态 fMRI 跨样本熵分析自动诊断晚年抑郁症
摘要 静息态 fMRI 已广泛应用于研究晚年抑郁症 (LLD) 的病理生理。与传统的线性方法不同，跨样本熵 (CSE) 分析显示了大脑区域之间 fMRI 信号的非线性特性。此外，深度学习的最新进展，例如卷积神经网络 (CNN)，为理解 LLD 提供了及时的应用。准确和及时的诊断对于 LLD 至关重要；因此，本研究旨在结合 CNN 和 CSE 分析，根据大脑静息态 fMRI 信号区分 LLD 患者和非抑郁症对照老年人。77 名老年人（包括 49 名患者和 28 名对照老年人）接受了 fMRI 扫描。开发了体积对应于每个参与者的 90 个种子感兴趣区域的三维 CSE，并将其输入到疾病分类和抑郁严重程度预测模型中。我们在额上回（左背外侧和右眶部）、左岛叶和右枕中回的诊断准确率 > 85%。平均均方根误差 (RMSE) 为 2.41，需要三个独立模型来预测重度、中度和轻度抑郁组的抑郁症状。左顶下小叶、左海马旁回和左中央后回的 CSE 体积在各自的模型中表现最佳。结合复杂性分析和深度学习算法可以将 LLD 患者与对照老年人进行分类，并根据 fMRI 数据预测症状严重程度。此类应用可用于精准医疗，用于 LLD 的疾病检测和症状监测。
使用Raspberry Pi
保护农作物免受鹿，鸟类和小型哺乳动物等动物的保护对于确保粮食安全至关重要，尤其是在农业在经济中起着核心作用的地区。有必要提供一种智能，环保的解决方案，以防止野生动植物损坏将实时图像识别和运动检测整合起来，以准确地识别动物在田间的存在。一旦检测到，该系统应激活诸如超声波声和闪光灯之类的威慑力量，以吓themand动物，从而在不损害野生动植物的情况下保护作物。机器学习的使用允许在动物检测中高精度，减少错误警报，并纳入太阳能，确保该系统具有节能和可持续性。该项目旨在为农民提供一种具有成本效益的自主系统，该系统可保护农作物，最大程度地减少环境破坏并促进农业与野生动植物之间的共存。
超出字面描述：理解和找到与人类意图一致的开放世界对象
大型语言模型（LLMS）在解决Comples开放域任务方面具有出色的功能，并以提示形式进行的综合指示和示威。但是，这些提示可能是冗长的，通常会组成数百条线和数千个托管，它们的设计通常需要人们的努力。最近的研究已在短提示中介绍了自动及时工程，通常由一个或几个句子组成。但是，由于其巨大的搜索空间，长提示的自动设计仍然是一个具有挑战性的问题。在此pa-per中，我们提出了一种名为“自动及时工程XPERT（APEX）的算法”，这是一种新型算法，可以自动改善长时间的提示。利用具有横梁搜索的贪婪算法提高效率，Apex Uti-Liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz extimive stripifimentive stripivine 在其搜索过程中显着提高了基于LLM的突变的有效性。 我们的结果表明，APEX在Big Banch中的八个任务中平均获得9.2％的准确性增益，并且具有各种模型的GSM8K的持续改进，突出了自动提示设计的重要性，以完全利用LLMS的功能。在其搜索过程中显着提高了基于LLM的突变的有效性。我们的结果表明，APEX在Big Banch中的八个任务中平均获得9.2％的准确性增益，并且具有各种模型的GSM8K的持续改进，突出了自动提示设计的重要性，以完全利用LLMS的功能。
自动机器人手眼校准通过基于学习的3D Vision
抽象的手眼校准是基于视觉机器人系统的基本任务，通常配备协作机器人，尤其是对于中小型企业（中小型企业）的机器人应用。大多数手眼校准方法都取决于外部标记或人类援助。我们提出了一种新的方法，该方法可以使用机器人基础作为参考来解决手眼校准问题，从而消除了对外部校准对象或人类干预的需求。使用机器人底座的点云，从相机的坐标框架到机器人底座的转换矩阵被确定为“ i = axb”。为此，我们利用基于学习的3D检测和注册算法来估计机器人基础的位置和方向。该方法的鲁棒性和准确性是通过基于基础真实性的评估来量化的，并且将精度结果与其他基于3D视觉的校准方法进行了比较。为了评估我们的方法论的可行性，我们在不同的关节构造和实验组中使用了低成本结构化的轻扫描仪进行了实验。根据实验结果，提出的手眼校准方法达到了0.930 mm的翻译偏差，旋转偏差为0.265度。此外，3D重建实验表明旋转误差为0.994度，位置误差为1.697 mm。此外，我们的方法提供了在1秒内完成的潜力，这是与其他3D手眼校准方法相比最快的。相关代码在https://github.com/leihui6/lrbo上发布。我们根据手眼校准方法进行室内3D重建和机器人抓握实验。
使用机器学习的自动PDF文档分类
摘要。PolitècnicaDeValència大学（UPV）在管理其Alfresco文档存储库方面面临挑战，其中包含600,000个PDF文件，其中只有100,000个正确分类。手动分类是费力且容易出错的，阻碍了信息检索和广告搜索功能。该项目提出了一条自动管道，该管道集成了光学特征识别（OCR）和机器学习以有效地对文档进行分类。我们的方法区分扫描和数字文档，准确地将文本提取并使用BERT和RF等模型将其分为51个预定义的类别。通过改进文档组织和可访问性，这项工作优化了UPV的文档管理，并为高级搜索技术和实时分类系统铺平了道路。
Proceedings-reduced-size.pdf - Automatica.it 2024
Automatica.it 代表意大利自动控制与控制工程协会 (SIDRA) 的年度会议，该协会负责协调意大利在系统和控制工程领域 (学科科学部门 IINF-04/A) 的国家活动。
使用WAV2VEC 2.0功能
本研究探讨了使用机器学习来对语音的声学特征进行分类以检测学龄前儿童的听力损失的可行性。承认早期听力损失识别的批评发展影响以及与该年龄段的传统测试方法相关的挑战，我们提出了一种新颖的，可扩展的方法杠杆自动语音分析。使用有或没有听力损失的儿童的语音记录，我们使用WAV2VEC 2.0并比较功能集来捕获语音特征并比较LSTM，DNN和XGBoost分类器。我们的发现表明，这些模型可以准确区分听力损失的儿童的语音和正常听力的儿童的语音，最多可获得96.4％的精度。这项概念验证研究表明，使用语音进行早期听力损失检测的潜力，以及通往非侵入性，可扩展的筛查工具的途径，这些工具可能会显着有益于早期发展结果。索引术语：听力损失，语音分析，语音分类，WAV2VEC 2.0，计算听力学
从智能手机捕获的心电图照片中自动检测心脏状况
摘要背景研究人员已经开发了基于机器学习的ECG诊断算法，这些算法匹配甚至超过心脏病专家的性能水平。但是，它们中的大多数不能用于现实世界中，因为老年的ECG机器不允许安装新算法。目的是开发一种智能手机应用程序，该应用程序会自动从照片中提取ECG波形，并通过研究人员构建的各种诊断算法将其转换为电压序列进行下游分析。方法是使用客观检测和图像分割模型从临床医生拍摄的照片中自动提取ECG波形的一种新型方法。模块化机器学习模型的开发是为了依次执行波形识别，脱离环线和比例校准。然后使用基于机器学习的心律分类器分析提取的数据。从40个516扫描和444张照片的ECG的结果波形自动提取。扫描13 258（96.8％）的12 828（96.8％）和5743中的5399（94.0％）被正确裁剪和标记。11 604 of 12 735（91.1％）扫描，5752中的5062（88.0％）拍摄的波形在自动环和噪声删除后获得了成功的电压时间信号提取。在概念验证示范中，使用ECGS的照片作为输入，使用ECGS的照片，可达到91.3％的敏感性，94.2％的敏感性，94.2％的特异性，95.6％的阳性预测价值，88.6％的负预测值和93.4％的F1得分。结论对象检测和图像分割模型允许从照片中自动提取ECG信号以进行下游诊断。这条新颖的管道规定了需要昂贵的ECG硬件升级的需求，从而为大规模实施基于机器学习的诊断算法铺平了道路。
基于物联网的自动传输开关系统在太阳能家用系统上的设计
挑战混合系统功率来源面部正在从一个源切换到另一个来源。由于天气不利，需要这种转移才能预测电池中能源的耗尽，以使太阳能电池板无法接收足够的阳光。需要最小的时间滞后的自动切换过程来保持电能流的连续性。此外，越来越需要分析某些领域和时期的能源消耗。这个项目设计并构建了基于物联网（IoT）的自动传输开关（ATS）系统。ATS原型使用Arduino Mega 2560微控制器切换电源，ESP32 Devkit V1微控制器将数据记录器发送到对可持续生态系统有用的监视系统的Iothingshub云平台。传感器的电压为99.8％，当前读数的精度为96.5％。ATS原型可以在平均时间滞后47毫秒的电源源之间切换。现场试验的结果表明，ATS原型设计利用太阳能光伏的使用率约为26％，使用100 AH 12V电池系统和三个100 WP太阳能电池板，适用于50 W灯负载的阳光/部分云状条件。