XiaoMi-AI文件搜索系统
World File Search SystemCalibra
校准对人工智能辅助决策的信任
随着人工智能产品的普及，人类和人工智能越来越多地合作做出决策。为了使这种类型的合作取得成功，人类需要了解人工智能的能力，以便有效地校准他们的信任。在这些合作关系中，以人类可以理解的方式解释决策和预测至关重要，以鼓励信任校准。可解释人工智能领域专注于将可解释性融入人工智能，但旨在使人工智能模型更具可解释性。因此，这项研究通常从以模型为中心的角度而不是以人为中心的角度来处理解释。与此同时，行业研究人员已经制定了指导方针，以帮助界面设计师有效地生成用户友好的解释。然而，这些指导方针通常过于宽泛，无法有效指导行业设计师的日常工作。我们的研究通过两种方法解决了这一差距：一个实证实验，研究人们如何回应解释以及哪些类型的解释对信任校准最有帮助；以及一个教育资源，帮助行业设计师了解用户可能有什么问题，以及使用环境如何影响他们可能使用的解释。我们的实验结果表明，解释并不总是有助于信任校准，实际上可能会损害信任校准，尤其是面对自我能力较低的新手用户时。我们对行业设计师进行的探索性访谈和可用性测试表明，人们渴望一种全面但易于访问的教育资源，以转化我们实验等研究并指导可解释的 AI 产品界面的设计。关键词
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。
Roche Tina量式胱抑素C，校准器和控制集
特征谓词设备：新设备：dakocytomation cystatin c roche tina-Quant-Quantstatin C Immunoparticles（K041627）预期使用/用于体外诊断的使用。用于免疫甲型法仅用于专业使用的指示。胱抑素C定量在体外测定中使用免疫颗粒是针对人血清中胱抑素C的，并且在人血清中的Roche自动化囊肿蛋白C上的血浆定量测定在临床化学分析仪中。通过浊度法和抑制蛋白C测量值进行的肝素化等离子体和EDTA等离子体。胱抑素C作为诊断的帮助，并将测量用作治疗肾脏疾病的帮助。肾脏疾病的诊断和治疗。样品类型的血清，肝素血浆，EDTA血清和锂嗜着嗜性血浆血浆方法颗粒增强相同的免疫尿位尿甲维化测定性透明度 /胱氨酸蛋白酶值分配 /囊蛋白c值分配已有此方法已通过使用螺旋中的纯化型号来进行纯化的纯度构造，以实现标准化的标准化，以实现纯构型的纯化型，以实现纯净的转移功能，以纯化的构造能力进行纯化的转移量，以实现纯净的转移量来进行纯构型，以纯化的构造工具进行纯化的构想，以纯化的螺旋式化的构造量胱抑素C.抑制蛋白C重组囊蛋白C参考浓度，其中通过干质量测定中所述，通过质量测定确定了胱抑素C的制剂。参考。试剂储存2-8 0 C 2-8 0 C校准器Dakocytomation Cystatin C C.F.A.S.囊肿C校准器，校准器，单一水平稀释以形成6点校准，形成了6点曲线校准曲线曲线质量控制Dakocytomation Contertin c Conterstatin c控制Cystatin C Conteratin C控制集，2级套件，2级套件，2级期预期，2级期望个体1-50岁的个人1-50年：相同的0.55-15-1.15-1.15 mg/l Enly 4 0. 30年4月4日。 Hitachi 911, Hitachi 917, Hitachi 917, MODULAR P, and MODULAR P, Cobas Mira Plus and cobas c 501 IMMAGE Measuring -0.4 - 7.5 mg/L 0.4 - 8.0 mg/L Range Method Passing Bablok: y = 1.009x + 0.0 19 comparison c = 0.96 with Dako Linear regression: y = 1.014x + 0.011 predicate r = 0.999 n = 94，x = 0.61-6.05 mg/l
功能单元：材料科学的新观点...
摘要 - 定量反转算法允许在场景中的每个点构建电性能（例如介电常数和电导率）。但是，由于需要了解场景中的事件波场，因此这些技术在测量的反向散射相历史信号和数据集上都具有挑战性。通常，由于天线特征，路径丢失，波形因子等因素，这是未知的。在本文中，我们引入了一个标量校准因子来解释这些因素。为了解决校准因子，我们通过包括正向问题来增强反转过程，我们通过训练简单的馈送正式完全连接的神经网络来解决这些问题，以学习基本介电常数分布与雷达散射场之间的映射。然后，我们最大程度地减少了测得的和模拟字段之间的不匹配，以优化每个发射器的标量校准因子。我们证明了数据驱动的校准方法在菲涅尔研究所数据集中的有效性，其中我们显示了估计的场景介绍的准确性。因此，我们的论文为在现实成像场景中应用定量反转算法的应用奠定了基础。
muli-ev：保持不受干扰的激光雷达 - 事件校准
尽管对增强自动驾驶汽车的感知系统的兴趣越来越大，但事件摄像机和激光镜头之间的在线量化是在捕获全面的环境信息方面的两个传感器，但无法探索全面的环境信息。我们介绍了Muli-ev，这是第一个针对用LIDAR对事件摄像机进行型校准的基于深度学习的框架。此范围对LIDAR和事件摄像机的无缝集成至关重要，从而实现了动态的实时校准调整，这对于保持最佳传感器对齐方式至关重要。对DSEC数据集中介绍的现实世界的严格评估，Muli-ev不仅可以实现校准精度的实质性提高，而且还为在移动平台中的事件摄像机集成了LIDAR。我们的发现揭示了Muli-ev在自主驾驶中增强感知系统的安全性，可靠性和整体性能的潜力，这标志着其现实世界的部署和有效性迈出了重要一步。
研究了陶浮标阵列的海面风测量校准变化
摘要：在对卫星海面风回收校准稳定性的常规分析期间，我们发现了从2020年中期至今的热带气氛海洋（TAO）Buoy阵列中的卫星测量和来自热带气氛海洋（TAO）Buoy阵列的风观测之间的显着偏见。经过广泛的调查，我们确定偏差并非源于卫星校准或编码误差中的异常，因为无论将这些浮标与哪种卫星与哪种卫星相提并论，似乎都是偏差。在风速观察中突然增加了约10％（0.5-0.8 m s -1），首先在2020年3月至9月之间提供的40多个Tao浮标中确定。我们的担忧与国家数据浮标中心（NDBC）的科学家共享，后者证实了我们的估计。这种突然变化的确切来源仍在研究中，但它似乎与最近服务旅行期间安装的浮标风速计的校准变化有关。到2024年，自2020年以来，目前所有目前在NDBC管理下运营的Tao浮标都得到了维修，它们都显然显然会在面向公共的浮标数据中突然增加了后服务。这种变化是令人关注的来源，因为综合卫星与商品系统的稳定性对于国际海洋观察计划至关重要。本文的目的是向研究界告知TAO阵列中这种虚假的风信号，讨论其对研究界的影响，并防止其被误解为气候变异性，影响其他观测系统的校准或影响派生的数据产品（例如海洋表面磁通）。
足球应用的摄像机校准算法的比较分析
摘要在解决足球比赛视频录像的自动分析问题时，目前正在使用特殊摄像机。这项工作介绍了已知算法和摄像机校准方法的比较表征，包括利用机器学习和神经网络的方法，目的是确定其缺点并为开发现代，更有效的方法和算法构成理论基础。具体来说，它检查了需要更多输入数据但可以快速运行的算法[1，2]和使用机器学习的更准确的算法[3，4，5，6，5]。证明他们的主要缺点是准确性或速度。使用机器学习的更准确的算法通常并未指定该算法的操作速度，这排除了它们在实时应用中的使用。强调速度的研究作品经常缺乏在现实生活中使用实际使用所需的准确性。