XiaoMi-AI文件搜索系统
World File Search SystemCrowd
移动人群感知 - 新泽西理工学院 |
摘要 — 通过利用手机上可用的传感器，以人为中心的智能手机感知可用于大规模感知物理世界，且成本低廉。尽管以人为中心的移动感知有很多好处，但它也存在两个主要问题：(i) 激励参与者，(ii) 感知数据的可靠性。不幸的是，现有的解决这些问题的解决方案要么需要基础设施支持，要么会给用户手机增加大量开销。我们相信，一旦数据可靠性问题得到妥善解决，移动群体感知将成为从物理世界收集感知数据的一种广泛方法。我们介绍了移动群体感知的概念及其在日常生活中的应用。我们描述了我们的移动群体感知平台 McSense 的设计和实施，该平台用于在大学校园进行为期两个月的用户研究。我们还通过介绍几个涉及恶意行为的场景讨论了移动人群感知中的数据可靠性问题。我们提出了一种位置可靠性协议，作为实现感知数据数据可靠性的一步，即 ILR（提高位置可靠性）。ILR 还可以检测与感知数据相关的虚假位置声明。根据我们的安全分析和模拟结果，我们认为 ILR 在各种节点密度下都能很好地工作。对我们在实地研究中从用户收集的感知数据的分析表明，ILR 可以有效地实现位置数据可靠性并检测到相当大比例的虚假位置声明。
液体金属启动器导体的定向组装...
摘要：尽管功能性近红外光谱（FNIRS）的技术进步以及FNIRS在神经科学实验设计中的应用中的增加，但FNIRS数据的处理仍然具有多种异质方法的特征，这既是科学的可重复性和解释能力和结果的解释能力。例如，仍然需要进行手动检查以评估收集的FNIRS信号的质量和后续保留率进行分析。机器学习（ML）方法的位置很好，可以通过自动化和标准化质量控制的方法学方法来为FNIRS数据处理提供独特的贡献，其中ML模型可以产生客观和可重复的结果。但是，任何成功的ML应用程序都基于标记培训数据的高质量数据集，不幸的是，目前尚无此类数据集用于FNIRS信号。在这项工作中，我们介绍了FNIRS-QC，该平台旨在众包创建质量控制FNIRS数据集。特别是，我们（a）组成了4385个FNIRS信号的数据集； （b）创建了一个Web界面，以允许多个用户手动标记510 10 S FNIRS段的信号质量。最后，（c）使用标记的数据集的一个子集来开发概念验证ML模型，以自动评估FNIRS信号的质量。开发的ML模型可以作为更客观和有效的质量控制检查，该检查可最大程度地减少手动检查中的错误以及信号质量控制对专业知识的需求。
考虑结果质量要求的人类+人工智能群体任务分配
本文探讨了向由人工智能和人类工作者组成的群体动态分配任务的问题。目前，众包创建人工智能程序是一种常见的做法。为了将这类人工智能程序应用于一组任务，我们通常采取“全有或全无”的方法，等待人工智能足够好。然而，这种方法可能会阻止我们在过程完成之前利用人工智能提供的答案，也会阻止探索不同的人工智能候选者。因此，将创建的人工智能与其他人工智能和人工计算相结合，以获得更高效的人机团队并非易事。在本文中，我们提出了一种解决这些问题的方法，即采用“分而治之”的策略来评估人工智能工作者。在这里，只要最终结果满足给定的质量要求，分配给人类的任务数量最少，分配就是最优的。本文对所提出的方法进行了理论分析，并利用开放基准和真实数据集进行了大量的实验。结果表明，当人工智能难以满足整个任务集的质量要求时，该算法可以向人工智能分配比基线多得多的任务。它们还表明，它可以根据现有人工智能工作者的表现灵活地改变分配给多个人工智能工作者的任务数量。
科学 | 人工智能为何应该惧怕我们 - 群体认知
人们普遍认为，我们对人工智能缺乏互惠互利反映出缺乏信任。毕竟，人工智能是超理性和无情的，肯定只顾自己，不太可能合作，所以我们为什么要合作呢？德罗伊博士和她的同事得出了一个不同的、也许不那么令人欣慰的结论。他们的研究发现，即使机器人热衷于合作，人们也不太可能与机器人合作。这并不是说我们不信任机器人，而是我们信任机器人：机器人肯定是仁慈的，是个大写的傻瓜，所以我们利用了它。
从人群中脱颖而出 - 企业如何购买SaaS ...
我们的调查发现，普通的购买组有六个成员，其中44％的买家说他们的数量在过去三年中有所增加。企业的购买集团最大，平均八个成员。他们也更有可能成长，在过去三年中，有52％的人增加了。
使用深度学习方法接近实时人群数
在当前的数字时代，在许多地方人群计数机制仍然依赖于老式的方法，例如维护登记册，利用人们在入口处进行基于柜台和传感器的计数。这些方法在人们的运动是完全随机的，高度可变和动态的地方失败。这些方法是耗时且乏味的。拟议的系统是针对需要紧急撤离的情况，例如火灾爆发，灾难性事件等。并根据食物，水，检测拥塞等人数做出明智的决定。基于深度卷积神经网络（DCNN）系统可用于接近实时人群计数。系统使用NVIDIA GPU处理器利用并行计算框架来实现通过相机采用的视频提要的快速而敏捷的处理。这项工作有助于构建一个模型来检测CCTV摄像机捕获的头部。通过提供多种场景，例如重叠的头部，头部的部分可见性等，对模型进行了广泛的训练。该系统在估计密集人群的头部数量相当小的时间内提供了很高的准确性。
用于紧急响应的沉浸式环境中人群模拟的人工智能代理
摘要 非战斗环境中的虚拟人群在现代军事行动中发挥着重要作用，并且经常给参与的战斗部队带来麻烦。为了解决这个问题，我们正在开发人群模拟，能够生成非战斗平民人群，这些人群表现出不同保真度的各种个人和群体行为。商业游戏技术用于创建实验设置，以模拟城市特大城市环境和组成人群的人类角色的物理行为。这项工作的主要目的是验证设计协作虚拟环境 (CVE) 的可行性及其在训练安全代理应对紧急情况（如活跃的枪手事件、炸弹爆炸、火灾和烟雾）方面的可用性。我们提出了一个混合（人机）平台，其中可以通过包括 AI 代理和用户控制的代理在 CVE 中进行灾难响应实验。AI 代理是计算机控制的代理，包括敌对代理、非敌对代理、领导者跟随代理、目标跟随代理、自私代理和模糊代理等行为。用户控制的代理是针对特定情况角色（例如警察、医务人员、消防员和特警官员）的自主代理。我们工作的新颖之处在于为 AI 代理或计算机控制的代理建模行为，以便它们可以在沉浸式训练环境中与用户控制的代理进行交互，以应对紧急情况
人群DNA查看2025年（及以后）将在文化中取代哪些趋势
我们已经在开发产品中看到了这一点，可以使惊人的幻想飞行，例如Halo，AI头带，它将使用超声和机器学习模型的组合来允许用户控制自己的梦想。“我们将共同追求人生最大问题的答案，”它嘲笑。或在其AI产品中使用伪宗教语言的品牌代表无所不在的力量。这全都导致AI变得迷人和奇妙……
评估扩展的输入启发和基于机器学习的启动对人群库存预测的影响
人类一直在预测不可能的人方面具有固有的兴趣。旅程可能始于算命先驱者，甲骨文和先知，使用太阳标志，行星位置和恒星对准来预测未来。，但是今天，人工智能使用统计数据，大数据分析以及这一切的核心，机器学习（ML）取代了他们的位置。ML已渗透每个现代行业，以提供预测性见解。非整合列表如下。在医疗保健中，ML模型已用于预测大流行期间的Covid-19潮流，死亡人数和恢复率[17]。在制造业中，它们已被应用于提高智能工厂的效率[19]。在监视中，Karpathy等。[12]评估卷积神经网络（CNN）在487个视频类别上的性能，总共有100万个YouTube视频，以进一步监视自动化。在心理健康领域，Fathi等。[7]在具有七个输入功能的大型数据集上训练ANFIS模型，以检测医疗保健中的社交焦虑症。
sicnav：使用模型预测性控制和二线优化的安全且交互式人群导航
摘要 - 机器人需要预测和对人类动作做出反应，以在没有冲突的情况下在人群中导航。许多现有的方法将预测与计划的预测无法解释机器人和人类动作之间的相互作用，并且可能导致机器人被卡住。我们提出了SICNAV，这是一种模型预测控制（MPC）方法，该方法共同解决了机器人运动并预测闭环中的人群运动。我们在人群中对每个人进行建模，以遵循最佳的倒数避免避免（ORCA）方案，并将该模型嵌入机器人的本地规划师中，从而导致了双重非线性MPC优化问题。我们使用KKT改制将双重问题作为单个级别施放，并使用非线性求解器进行优化。我们的MPC方法可以影响行人运动，同时明确满足单机器人多人类环境中的安全限制。我们在两个模拟环境中分析了SICNAV的性能，并使用真实机器人进行了室内实验，以证明可以影响周围人类的安全机器人运动。我们还验证了在人类轨迹数据集上孔口的轨迹预测性能。代码：github.com/sepsamavi/saf-interactive-crowdnav.git。