XiaoMi-AI文件搜索系统
World File Search SystemDataset
新闻稿 - IITH 研究人员开发数据集和 AI- ...
Sparsh Mittal 博士与他的研究学者 Poonam Rajput 女士和 Subhrajit Nag 先生共同领导了这项研究。Sparsh 博士在这项研究的大部分时间里都在印度理工学院海得拉巴分校的 CSE 系工作，最近他加入了印度理工学院鲁尔基分校。这项研究的成果已被同行评审会议“2020 年国际智能物体与社会公益技术会议”接受，该会议于 2020 年在比利时举行。在谈到这项研究的重要性时，Sparsh Mittal 博士说：“手机已经深深渗透到人们的生活中。手机成瘾已成为许多家长、立法者以及教育机构和办公室当局的一大担忧。手动大规模检测手机是不可能的。因此，有必要为此开发自动化技术。我们相信我们的技术具有巨大的潜力。它可以通过防止过度或不合时宜地使用手机来帮助提高生产率。它可以帮助避免因驾驶时分心而发生的事故。此外，加油站、考场、大使馆、军事基地和法院等许多地方都禁止使用手机。我们的技术可用于查找手机是否在这些区域使用。最后，现在很多金融交易都是通过手机进行的，因此手机丢失可能会带来严重后果。通过追踪手机，我们的技术可以帮助检测手机丢失或被盗。”
人工智能专利数据集 (AIPD) 2023 年更新
20 我们对 80/20 训练运行使用了分层划分（其中分层为种子、反种子、正决策边界、负决策边界、正考官注释和负考官注释），并且每次运行对模型进行最多 40 个训练周期的训练。我们根据平均 F1 得分（超过 5 次运行）的变化情况来选择要使用的周期数，挑选出近似最大化 F1 的周期数（以避免过度拟合）。对于最终模型，我们使用了所有训练数据（即没有 80/20 划分）和上一步中选择的周期数。
北欧车辆数据集 (NVD) - CVF 开放获取
摘要 无人机图像中的车辆检测和识别是一个复杂的问题，已用于不同的安全目的。这些图像的主要挑战是从斜角捕获的，并带来了一些挑战，例如不均匀的照明效果、退化、模糊、遮挡、能见度丧失等。此外，天气条件在引起安全问题方面起着至关重要的作用，并为收集的数据增加了另一个高水平的挑战。在过去的几十年里，人们采用了各种技术来检测和跟踪不同天气条件下的车辆。然而，由于缺乏可用数据，在大雪中检测车辆仍处于早期阶段。此外，还没有使用无人机 (UAV) 拍摄的真实图像在雪天检测车辆的研究。本研究旨在通过向科学界提供北欧地区不同环境和不同积雪条件下无人机拍摄的车辆数据来解决这一空白。数据涵盖不同的恶劣天气条件，如阴天降雪、低光照和低对比度条件、积雪不均、高亮度、阳光、新雪，以及温度远低于-0摄氏度。该研究还评估了常用物体检测方法（如 YOLOv8s、YOLOv5s 和 Faster RCNN）的性能。此外，还探索了数据增强技术，并提出了在此类场景中增强检测器性能的技术。代码和数据集将在 https://nvd.ltu-ai.dev 上提供
Galar - 大型多标签视频胶囊内窥镜数据集
1 Else Kr ¨ oner Fresenius 数字健康中心，德累斯顿工业大学 (TU Dresden)，德累斯顿，德国 8 2 德累斯顿工业大学 (TU Dresden) 德累斯顿大学医院第一医学系，德累斯顿，9 德国 10 3 德累斯顿工业大学 (TU Dresden) 计算机科学研究所，德累斯顿，德国 11 4 德累斯顿 Diakonissen Krankenhaus，胃肠病学，德累斯顿，德国 12 5 乌尔姆大学和乌尔姆大学医学中心人类遗传学研究所，乌尔姆，德国 13 6 海德堡大学医院国家肿瘤疾病中心 (NCT) 肿瘤内科，海德堡，14 德国 15 7 维尔茨堡 16 大学医院内科 II 介入和实验内镜检查 (InExEn)，维尔茨堡，德国17 8 德国迪波尔迪斯瓦尔德胃肠内科医学办公室 18 † Maxime Le Floch、Fabian Wolf 和 Lucian McIntyre 对本文贡献相同 19 † Nora Herzog 和 Franz Brinkmann 对本文贡献相同 20 * 通讯作者：Maxime LeFloch (Maxime.LeFloch@ukdd.de) 21
MCD：机器人感知的多种大型多校区数据集
感知在各种机器人应用中起着至关重要的作用。但是，现有的良好的数据集偏向自动驾驶场景，而未标记的SLAM数据集则很快过于拟合，并且通常缺乏环境和域变化。为了扩大这些领域的边界，我们介绍了一个名为MCD（Multi-campus数据集）的全面数据集，其中包含各种感应方式，高准确的地面真相以及在三个欧亚大学的欧亚大学校园内的挑战性环境。MCD包括CCS（经典的圆柱旋转）和NRE（非重复性环球）LIDAR，高质量的IMU（惯性测量单元），相机和UWB（URWB（Ultra-Wideband））传感器。更重要的是，在开创性的努力中，我们引入了29堂课的语义注释，超过59k稀疏的nre lidar扫描
MindBigData 2022：大型脑信号数据集 David ...
了解我们的大脑是最艰巨的任务之一，如果不使用技术，我们就无法完成。MindBigData [1] 旨在提供与各种人类活动相关的全面且最新的脑信号数据集，以便启发使用机器学习算法作为基准，将原始大脑活动“解码”为其相应的（标签）心理（或身体）任务。使用商业化的自体脑电图 [2] 设备或我们自己制造的定制设备来探索技术的极限。我们描述了每个子数据集的数据收集程序以及用于捕获它们的每个耳机。此外，我们还报告了脑机接口 (BCI) 领域可能的应用，这些应用可能会影响数十亿人的生活，几乎涵盖所有领域，例如医疗保健游戏规则改变用例、工业或娱乐等等，最后，为什么不直接使用我们的大脑来“消除”感官，作为最终的 HCI（人机交互）设备？我们简单地称之为从打字到触摸到交谈再到思考的旅程 [3]。
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。
IntrA：用于深度学习的 3D 颅内动脉瘤数据集
医学是深度学习模型的重要应用领域。该领域的研究是医学专业知识和数据科学知识的结合。在本文中，我们引入了一个开放的三维颅内动脉瘤数据集 IntrA，而不是二维医学图像，这使得基于点和基于网格的分类和分割模型的应用成为可能。我们的数据集可用于诊断颅内动脉瘤和提取颈部以进行医学和深度学习其他领域（如正常估计和表面重建）的夹闭手术。我们通过测试最先进的网络提供了一个大规模分类和部分分割的基准。我们还讨论了每种方法的性能，并展示了我们数据集的挑战。发布的数据集可以在这里访问：https://github.com/intra3d2019/IntrA。
来自线弧的共同注册的现场式 - 现场数据集...
传感技术和数据分析工具的最新进展已显着加速了电弧添加剂制造（WAAM）系统的开发。这种以数据为中心的方法强调了在整个生产过程中可用的传感器数据以优化性能。广泛的数据分析的集成为改善精度，减少废物和提高生产零件的质量提供了机会。此方法依赖于AI/ML模型和优化技术，这些技术是使用从各种来源收集的数据（包括原位传感器，前坐姿成像和制造过程参数）开发的。这些数据的质量和多样性以及不同数据流（通过时空注册实现）之间的对齐对于成功开发AI/ML和优化模型至关重要。在这项工作中，我们提出了在矩形块沉积过程中生成的时空注册数据集。数据集包括对沉积过程，过程参数，焊接特性和原位收集的声学数据的全面描述以及构建的X射线计算机断层扫描数据。
一个大型策划的图像数据集，启用生物多样性的AI
我们介绍了Biotrove，这是旨在推进生物多样性应用程序的最大公共访问数据集。Biotrove从Intaturist平台策划，并审查仅包括研究级数据，包含16190万张图像，提供了三个主要王国的前所未有的规模和多样性：Animalia（“动物”），真菌（“ Fungi”），“ Fungi”）和parterae（“植物”），跨越了大约366.6k种。每个图像都用科学名称，分类层次结构和通用名称注释，可提供丰富的元数据，以支持各种物种和生态系统跨越准确的AI模型开发。我们通过释放一套使用4000万个字幕图像的子集（称为Biotrove-Train）训练的剪辑模型来证明Biotrove的价值。This subset focuses on seven categories within the dataset that are underrepresented in standard image recognition models, selected for their critical role in biodiversity and agriculture: Aves ("birds"), Arachnida ("spiders/ticks/mites"), Insecta ("insects"), Plantae ("plants"), Fungi ("fungi"), Mollusca ("snails"), and Reptilia （“蛇/蜥蜴”）。为了支持严格的评估，我们介绍了几个新的基准测试和报告模型的准确性，以跨生活阶段，稀有物种，混杂物种和多种分类学水平进行零拍学习。我们预计生物群将刺激AI模型的开发，这些模型支持用于害虫控制，作物监测，生物多样性评估和环境保护的数字工具。这些进步是确保粮食安全，保存生态系统并减轻气候变化影响的范围。Biotrove公开可用，易于访问，并准备立即使用。