XiaoMi-AI文件搜索系统
World File Search SystemCrowd
微博事件检测中用于联合关键字发现和期望估计的人机循环方法
诸如 Twitter 之类的微博平台越来越多地用于事件检测。现有方法主要使用机器学习模型并依靠与事件相关的关键字来收集模型训练的数据。这些方法对包含关键字的相关微博的分布做出了强有力的假设（称为分布的期望），并将其用作模型训练期间的后验正则化参数。然而，这些方法受到限制，因为它们无法可靠地估计关键字的信息量及其对模型训练的期望。本文介绍了一种人机循环方法，在估计其期望的同时共同发现用于模型训练的信息丰富的关键字。我们的方法迭代地利用人群来估计特定于关键字的期望以及人群与模型之间的分歧，以发现对模型训练最有益的新关键字。这些关键词及其期望不仅提高了最终的性能，而且使模型训练过程更加透明。我们在多个真实数据集上通过经验证明了我们的方法在准确性和可解释性方面的优点，并表明我们的方法将现有技术提高了 24.3%。
博士Ioannis Kompatsiaris 简历列表 8346 ...
G. Chantas、SN Nikolopoulos 和 I. Kompatsiaris，“用于单幅图像超分辨率的重尾自相似性建模”，载于《IEEE 图像处理学报》，第 30 卷，第 838-852 页，2021 年，doi：10.1109/TIP.2020.3038521。（1 次引用）。1. Kumar, A. 和 Singh, HV (2021)。基于 Tchebichef 变换域的深度学习架构，用于图像超分辨率。arXiv 预印本 arXiv:2102.10640。 S. Andreadis、A. Moumtzidou、K. Apostolidis、K. Gkountakos、D. Galanopoulos、E. Michail、I. Gialampoukidis、S. Vrochidis、V. Mezaris、I. Kompatsiaris，“VBS 2020 中的 VERGE”，Proc。 26 日国际。会议。多媒体建模 (MMM2020)，2020 年 1 月 5-8 日，韩国大田会议中心 (DCC)（5 次引用）。 1. Lokoć, J.、Soućek, T.、Veselý, P.、Mejzlík, F.、Ji, J.、Xu, C. 和 Li, X.（2020 年 10 月）。具有自动和交互式文本到视频检索功能的 W2VV++ 案例研究。第 28 届 ACM 国际多媒体会议论文集（第 2553-2561 页）。 2.Mejzlík, F. (2020)。评估 vyhledavacich 模型... založených na klíčových slovech pro hledání známých 场景。 3. Tran, VL, Phan, TD, Mai-Nguyen, AV, Vo, AK, Dao, MS 和 Zettsu, K. (2020)。一种基于交互式原子团簇分水岭的系统，用于生命日志时刻检索。 4. Rossetto, L.、Bailer, W. 和 Bernstein, A.（2021 年 6 月）。在交互式多媒体检索评估中考虑人类感知和记忆。国际多媒体建模会议（第 605-616 页）。 Springer, Cham 5. Veselý, P.、Mejzlík, F. 和 Lokoč, J. (2021 年 6 月)。2021 年视频浏览器对决中的 SOMHunter V2。在国际多媒体建模会议上（第 461-466 页）。Springer, Cham。K. Gkountakos、K. Ioannidis、T. Tsikrika、S. Vrochidis 和 I. Kompatsiaris。2020 年。用于检测暴力场景的人群分析框架。在 2020 年国际多媒体检索会议 (ICMR '20) 的论文集上，2020 年 6 月 8-11 日，爱尔兰都柏林。（已接受出版）（3 次引用）。1. Miti, C.、Zatte, D. 和 Gondal, SS (2020)。人群追踪具有挑战性：基于物理特征分析人群。arXiv 预印本 arXiv:2008.03614。2. Siraj, M. (2020)。超越人群追踪：基于物理特征分析人群。3. Souza, FFD (2020)。基于人口普查变换直方图运算符检测视频序列中的暴力事件：基于人口普查变换直方图运算符检测视频序列中的暴力事件。Ntoutsi E、Fafalios P、Gadiraju U、Iosifidis V、Nejdl W、Vidal ME、Ruggieri S、Turini F、Papadopoulos S、Krasanakis E、Kompatsiaris I. 等人。“数据驱动的人工智能系统中的偏见——一项入门调查”。 Wiley 跨学科评论：数据挖掘和知识发现，10(3)，e1356。2020 年 5 月。（31 次引用）1. Alsharef, A. 文本分析：一种用于毒性分类的新型自然语言处理 (NLP) 方法。2. Barceló, P.、Pérez, J. 和 Subercaseaux, B.可解释性和偏见检测的语言基础。
人类众包投票者如何采用（或不采用）人工智能
在过去二十年中，随着数字技术使在线社区和人群成为强大的创新源泉，开放式创新 (OI) 势头强劲 (Butticè & Ughetto, 2023 ; Füller 等人，2009 ; Jaribion 等人，2023 )。通过开放式创新，组织正在“开放”其以前封闭的创新流程，可能允许入站和出站流动 (Chesbrough, 2003 )。在开放式创新中，一种特别流行的入站知识流是众包——将任务或挑战传播给一群人的过程，而不是将其指定给特定的、通常是内部的“代理人”（Afuah & Tucci，2023 年；Brunswicker 等人，2017 年；Cappa，2022 年；Howe，2006 年、2008 年；Mack & Landau，2020 年；Pénin & Helmchen，2011 年；Piazza 等人，2022 年）。通过参与众包，公司努力从组织外部的大量个人那里收集知识（Dahlander & Gann，2010 年）。这使他们能够快速产生大量新想法；然而，大量的新想法使得识别最有价值的想法成为比以前更具挑战性的任务（Hoornaert 等人，2017 年；Majchrzak 和 Malhotra，2020 年）。虽然组织专家为想法评估增加了宝贵的领域知识，但他们也是一种稀缺且昂贵的资源（Bell 等人，2023 年；Toubia 和 Florès，2007 年）。作为回应，公司越来越多地参与众包投票，让大量成本低得多的众包工作者参与想法评估（Brabham，2008 年；Chen 等人，2020 年；Howe，2008 年；Majchrzak 和 Malhotra，2020 年）。最近的研究表明，众包投票可以产生与专家评估相当的表现（例如，Magnusson 等人，2016 年；Mollick 和 Nanda，2016 年）。允许人群对想法进行投票不仅有助于克服组织注意力缺陷（Chen 等人，2020 年；Piezunka 和 Dahlander，2015 年），还可以增加人群参与竞赛的热情（Chen 等人，2020 年），有助于新企业的生存和获得种子资金（Quignon，2023 年），并增加随后在众包活动中产生的想法的数量（Chen 和 Althuizen，2022 年）。到目前为止，在创新管理研究中观察到的人群由组织外部的人组成（例如，有兴趣进一步改进产品的主要用户、参与挑战的竞赛参与者或受雇完成工作的零工）。虽然它们可以帮助组织获取组织内部无法获得的特定知识或大量能力，但让人类参与众包工作，尤其是众包投票，是有局限性的。作为人类，众筹投票者容易受到偏见的影响，他们的评价可能受到注意力限制、羊群效应（早期的评分会影响随后的积极评分，因为选民会遵循最初的评价）或相互投票行为（贝尔
父母/运动员脑震荡信息表
在极少数情况下，脑震荡的危险迹象，脑震荡的人可能会在大脑上形成危险的血块，并将大脑挤在头骨上。运动员应立即接受医疗护理，如果对头部或身体的撞击或震动后，则表现出以下任何危险迹象：•一个比另一个大的学生•昏昏欲睡或无法唤醒•头痛不仅会减小，而且不会降低，而且会变得更糟，
训练和测试 AI 算法的 5 个步骤
Applause 是众包测试和数字质量领域的全球领导者。软件是所有品牌吸引用户的核心，数字体验必须在任何地方都完美无缺。Applause 拥有全球各地随时可用的经过严格审查的测试人员，为品牌提供了全套测试和反馈功能。这种方法大大提高了测试覆盖率，消除了离岸外包和传统 QA 实验室的限制，并加快了网站、移动应用、物联网和店内体验的上市时间。
从3D行人网络到车轮网络：使用智能手机点云的对比度深学习
本文提出了一种基于深度学习的可容纳性评估方法，构成了街头规模的智能手机点云和城市规模的3D行人网络（3DPN）。3DPN已被研究和映射以进行轮廓和智能城市应用。然而，由于省略的行人路径，未发现的楼梯和过度简化的高架人行道，文献中3DPN的城市水平尺度对于评估轮椅的可及性（即车轮）不完整；如果映射量表处于为轮椅使用者设计的微观级别，则可以更好地表示这些功能。在本文中，我们使用智能手机点云加强了城市规模的3DPN，这是一种有希望的数据源，用于补充细微的细节和由于厘米级别的准确性，鲜艳的色彩，高密度和人群源性质而导致的细颗粒细节和温度变化。三步方法重建行人路径，楼梯和坡度细节，并丰富城市规模的3DPN进行轮廓评估。PEDESTRIAN路径的实验结果表现出准确的3DPN中心线位置（miou = 88。81％），楼梯检测（miou = 86。39％）和轮子性评估（MAE = 0。09）。本文贡献了一种适合，准确和人群采购的轮子评估方法，该方法将无处不在的智能手机和3DPN架起高密度和丘陵的城市区域的3DPN。