XiaoMi-AI文件搜索系统
World File Search SystemCoD
代码为可持续发展教育
1营销与商业分析系，商学院，美国沙迦美国大学，沙迦26666，阿拉伯联合酋长国2号学习设计协会和ESD协会，Nantwich CW5 7JW，英国； mtoro@aldesd.org 3新闻与战略传播，梅迪尔新闻学院，西北大学，多哈34102，卡塔尔； Mohammed.ibahrine@northwestern.edu 4 Sharjah美国大学的可持续发展系，Sharjah 26666，阿拉伯联合酋长国； rarmour@aus.edu 5学术发展研究所，爱丁堡大学，爱丁堡EH8 9YL，英国6图书馆服务系，开放大学，米尔顿·凯恩斯MK7 MK7 6AA，英国； katharinereedy@gmail.com 7英国伦敦SE1 9NH的国王学院营销学系； romas.malevicius@kcl.ac.uk 8格拉斯哥大学，格拉斯哥大学G12 8QQ，英国； vicki.dale@glasgow.ac.uk（V.D.）; nathalie.tasler@glasgow.ac.uk（n.t。）9拉丁美洲和加勒比海（IESALC）的联合国教科文组织国际高等教育研究所，委内瑞拉1071年； y.inzolia@unesco.org *通信：nahmad@aus.edu
L-CoDe：使用颜色对象解耦条件的基于语言的着色
对灰度图像进行着色本质上是一个具有多模态不确定性的病态问题。基于语言的着色提供了一种自然的交互方式，即通过用户提供的标题来减少这种不确定性。然而，颜色-物体耦合和不匹配问题使得从单词到颜色的映射变得困难。在本文中，我们提出了一种使用颜色-物体解耦条件的基于语言的着色网络 L-CoDe。引入了物体-颜色对应矩阵预测器 (OCCM) 和新颖的注意力转移模块 (ATM) 来解决颜色-物体耦合问题。为了处理导致颜色-物体对应不正确的颜色-物体不匹配问题，我们采用了软门控注入模块 (SIM)。我们进一步提出了一个包含带注释的颜色-物体对的新数据集，以提供用于解决耦合问题的监督信号。实验结果表明，我们的方法优于基于标题的最先进的方法。
BrainCoDe：基于脑电图的阅读和听力理解检测
摘要 外语媒体的普及为语言学习提供了丰富的资源。然而，每当出现理解问题时，学习者就不得不中断媒体消费。我们提出了 BrainCoDe，一种通过评估事件相关电位 (ERP) 来隐性检测词汇差距的方法。在一项用户研究 (N=16) 中，我们通过调查听和阅读已知单词和未知单词时的 ERP 幅度差异来评估 BrainCoDe。我们发现在阅读过程中遇到未知单词时 N400 幅度有显著偏差，在听力过程中遇到未知单词时 N100 幅度有显著偏差。为了评估 ERP 在实时应用中的可行性，我们训练了一个分类器，它可以检测词汇差距，阅读的准确率为 87.13%，听力的准确率为 82.64%，可以将十分之八的单词正确地识别为已知或未知。我们展示了 BrainCoDe 通过即时翻译或生成个性化学习内容支持媒体学习的潜力。