XiaoMi-AI文件搜索系统
World File Search SystemDetect
开放式对象检测的生成区域训练
在最近的研究中，已对开放式摄制对象检测任务进行了大量关注，旨在概括训练期间标记的类别的有限级别，并检测推理时任意类别名称所描述的对象。与常规对象检测相比，打开的词汇对象检测在很大程度上扩展了对象检测类别。但是，它依赖于计算图像区域与一组具有验证视觉和语言模型的任意类别名称之间的相似性。这意味着，尽管具有开放式的性质，但该任务仍然需要在推理阶段的预定义对象类别。这提出了一个问题：如果我们在推理中对对象类别没有确切的了解，该怎么办？在本文中，我们称之为新的设置为生成性开放式对象检测，这是一个更普遍和实际的问题。为了解决它，我们将对象检测形式为生成问题，并提出了一个名为generateu的简单框架，该框架可以检测密集的对象并以自由形式的方式生成其名称。尤其是，我们采用可变形的DETR作为区域促成生成器，其语言模型将视觉区域转换为对象名称。为了评估自由形式的对象划分任务，我们介绍了一种评估方法，旨在定量测量生成量的性能。广泛的实验表明我们的生成量强烈的零射击性能。代码可在以下网址获得：https：//github.com/foundationvision/generateu。例如，在LVIS数据集上，我们的GenerateU在推理过程中属于类别名称，即类别名称无法看到类别名称，即使类别名称看不见类别名称，我们的GenerateU也可以与开放式唱机对象检测方法GLIP相当。
EP Collisions中D0重建的机器学习（ML） 沙丘远检测器光子检测系统的特征和表演 «Moleculardna
●在Milano-Bicocca和Ciemat中测试的HD-XA PDE●相同的sipms（在CIEMAT和MIB之间交换），但不同的WLS栏●这些四个配置在Protodune-HD NP04中同样表示，并且在数字和位置W.R.T.中平衡。横梁，进行公平比较●跨言论校正
AI驱动的网络钓鱼检测系统
网络钓鱼攻击涉及通过伪装成一个值得信赖的实体来获取敏感信息的欺诈尝试，已经变得越来越复杂和普遍。传统的网络钓鱼检测方法通常依赖于启发式或基于签名的技术，这可能很难与不断发展的网络钓鱼策略保持同步。本文探讨了人工智能（AI）在增强网络钓鱼检测系统中的应用。AI驱动的方法利用机器学习算法，自然语言处理和模式识别，以更高的准确性和效率来识别和减轻网络钓鱼威胁。通过分析大量数据，这些系统可以检测出可能避免常规方法的网络钓鱼尝试的微妙模式和异常。该摘要讨论了网络钓鱼检测中采用的各种AI方法，包括受监督和无监督的学习技术，集合方法和深度学习模型。此外，它研究了AI-wive系统在现实世界中的有效性及其适应新兴的网络钓鱼策略的潜力。本文以目前的挑战和该领域的研究的未来方向进行了概述，强调需要持续发展以解决网络钓鱼威胁的动态性质。
表演者：一种新型的PPG至ECG重建变压器，用于心血管疾病检测的数字生物标志物
心电图（ECG）是一种捕获心脏活动的电测量，是诊断心血管疾病（CVD）的金标准。但是，由于ECG需要使用用户参与，因此不可避免地进行心脏监测。相比之下，光电学（PPG）提供了易于收集的数据，但其精度有限限制了其临床用法。为了确定这两个信号的优势，最近的研究不适合将PPG信号重新构成到ECG的各种深度学习技术；但是，缺乏文本信息以及降低噪声生物医学信号的能力最终会限制模型的影响。在这项研究中，我们提出了一种基于变压器的新型体系结构，可从PPG重建ECG，并将PPG和重建的ECG与CVD检测的多种方式相结合。此方法是第一次在生物医学波形重构上进行了变压器序列到序列转换，并结合了PPG和ECG的优势。我们还创建了基于斑块的注意（SPA），这是一种效率方法，用于编码/解码生物医学波形。通过获取各种序列长度并捕获交叉点连接，SPA最大程度地提高了本地特征和全局上下文反复的信号操作。所提出的体系结构在BIDMC数据库上生成了0.29 RMSE的状态性能，以重新构建PPG到ECG，超过了先前的研究。我们还在模拟III数据集上评估了该模型，在CVD检测中达到了95.9％的精度，并在PPG-BP数据集中评估了该模型，在相关的CVD糖尿病检测中达到了75.9％的精度，表明其一般能力。作为一种概念证明，一种名为Pearl（原型）的耳环可穿戴式可穿戴，旨在扩大护理点（POC）医疗保健系统。
使用Li-Fi技术的车辆碰撞检测和预防系统
摘要 - 该项目解决了高速公路上驾驶员隐身性的关键问题，这通常会导致碰撞，尤其是当较小的车辆接近大型车辆（例如公交车或卡车）时。高速公路上的驾驶员隐身通常会导致事故，尤其是当较小的车辆接近较大车辆（如公共汽车或卡车）时。该项目使用图像处理和基于LIFI技术的实时车辆检测和通信系统。在重车上，有一个相机和一个Li-Fi发射器，而接近的车辆具有Li-Fi接收器。如果较小的车辆太近，则系统会发出仪表板警告的警告。该系统致力于减少与盲点和较晚反应有关的事故。具有基于Python的图像处理，在每种类型的天气和照明条件下都会发生准确的检测。NodeMCU微控制器控制图像处理单元和LI-FI发射器的数据流。实时数据通过LI-FI传输到传入的车辆，允许驾驶员更快地响应。该系统的延迟非常小于100毫秒，因此减少了后端碰撞，尤其是在可见度较差的情况下。这种具有成本效益和可扩展的解决方案适用于商用和乘用车，并突出了Li-Fi技术在改善汽车安全性方面的潜力，尤其是在基础设施有限的地区。
人工智能生成文本检测工具的测试
生成式预训练 Transformer 大型语言模型的最新进展强调了在学术环境中不公平使用人工智能 (AI) 生成内容的潜在风险，并加大了寻找检测此类内容的解决方案的力度。本文研究了人工智能生成文本检测工具的一般功能，并根据准确性和错误类型分析对其进行了评估。具体来说，该研究试图回答以下研究问题：现有检测工具是否能够可靠地区分人类书写的文本和 ChatGPT 生成的文本，以及机器翻译和内容混淆技术是否会影响对人工智能生成文本的检测。该研究涵盖了 12 种公开可用的工具和两种在学术环境中广泛使用的商业系统（Turnitin 和 PlagiarismCheck）。研究人员得出结论，现有的检测工具既不准确也不可靠，主要偏向于将输出归类为人类书写的文本，而不是检测人工智能生成的文本。此外，内容混淆技术会显著降低工具的性能。该研究做出了几项重要贡献。首先，它总结了该领域最新的类似科学和非科学成果。其次，它展示了迄今为止最全面的测试之一的结果，该测试基于严格的研究方法、原始文档集和广泛的工具覆盖范围。第三，它讨论了在学术环境中使用检测工具检测人工智能生成的文本的含义和缺点。
在挑战性的天气条件下可靠的对象检测
对象检测在各种自主系统中至关重要，例如监视，自动驾驶和驾驶员的稳定性，通过识别行人，车辆，交通信号灯和标志来确保安全。然而，诸如雪，雾和雨等不利天气条件构成了挑战，具有检测准确性，冒险发生事故和大坝。这清楚地表明了在所有天气条件下都起作用的强大观察检测解决方案的必要性。我们采用了三种策略来增强不利天气中的基于深度学习的对象检测：对全球全天候图像进行培训，对图像进行培训，并具有合成的增强天气噪声，并将对象的变形与不利天气图像denosistighting进行整合。使用分析方法，GAN网络和样式转移网络产生合成天气噪声。我们使用BDD100K数据集中的真实世界全天候图像和用于评估未见现实世界的不利天气图像的评估，通过训练对象进行分割模型比较了这些策略的性能。通过降级现实世界的不利天气图像以及对物体检测的结果和原始嘈杂图像的结果进行了评估，从而评估了不利天气。我们发现，使用全天候现实世界图像训练的模型表现最佳，而对对象检测进行对象检测的策略则表现最差。
夹子驱动的器官分割和肿瘤检测的通用模型
越来越多的公共数据集显示出对自动器官细分和图检测的显着影响。但是，由于每个数据集的大小和部分标记的问题，以及对各种肿瘤的有限侵入，因此所得的模型通常仅限于细分特定的器官/肿瘤，以及ig- ignore ignore ignore的解剖结构的语义，也可以将其扩展到新颖的Domains。为了解决这些问题，我们提出了剪辑驱动的通用模型，该模型结合了从对比的语言图像预训练（剪辑）到细分模型中学到的文本嵌入。这个基于夹子的标签编码捕获了解剖学关系，使模型能够学习结构化特征嵌入和段25个器官和6种类型的肿瘤。提出的模型是从14个数据集的组装中开发的，使用总共3,410张CT扫描进行培训，然后对3个附加数据集进行了6,162个外部CT扫描进行评估。我们首先在医疗细分十项全能（MSD）公共排行榜上排名第一，并在颅库（BTCV）之外实现最先进的结果。此外，与数据集特异性模型相比，大学模型在计算上更有效（更快6英制），从不同站点进行CT扫描更好，并且在新任务上表现出更强的传输学习绩效。
无人机检测技术的评估 - 新加坡
收集了包括无人机和干扰因素的数据收集测试数据。无人机数据故意多样化，以各种距离和背景为特色。无人机在遥远的地方测试了模型检测无人机的准确性，该数据的细节受到限制，而在不同背景下的无人机测试了模型对噪声的弹性。根据类似于无人机或与无人机一起发现的对象，故意选择了干扰物数据。由于在选择和标记训练数据时犯了错误，该模型测试了模型被模型中存在的类似特征和偏见误导或愚弄的倾向。在步骤1中，总共收集了12206张图像，其中包括7755张图像和分散图像，其余4451张图像。
用于龋齿检测的人工智能：数据的价值......
人工智能 (AI) 和深度学习子领域的应用已迅速进入医疗领域。特别是使用卷积神经网络 (CNN) 进行图像分析已被证明具有提高从业人员的可靠性和准确性的潜力。CNN 通过反复消化图像和图像标签对（例如，“此图像包含某种病理”）来学习图像中固有的统计模式，这些标签通常由医学专家提供，并最终能够评估未见过的数据 (LeCun 等人，2015)。对于检测龋齿病变，我们在诊断准确性研究 (Cantu 等人，2020) 中发现 CNN 的诊断准确度优于单个牙医，并在随机对照试验 (Mertens 等人，2021) 中证实了这一点。检测龋齿病变等病理本身不会给患者或医疗保健系统带来任何有形价值。相反，健康益处（和进一步的成本）来自后续（正确或错误分配的）治疗。对于射线照片上的龋齿检测，在建模研究中发现 CNN 具有成本效益，其中使用马尔可夫模型跟踪患者一生中检测到的（或未检测到的）和治疗的（或未治疗的）病变（Schwendicke