XiaoMi-AI文件搜索系统
World File Search SystemFloodnet
纽约市的超本地街道洪水监测
Floodnet的使命是开发用于实时城市洪水监测的工具，实施这些工具以衡量纽约市的洪水，并以洪水数据和监测工具的可用方式可访问且可用于利益相关者，包括居民，社区基于社区的组织，政府机构和研究人员。
纽约市立大学人工智能年
“对于像纽约这样的老城市来说，这是一个难题，”拉贾说，“随着时间的推移，建筑材料会发生变化。”实验室的工作在很大程度上依赖于分布式人工智能，这是一种由多个代理（包括人类和环境）决定决策的方法。通过整合管道年龄、材料、位置和环境压力等各种数据点，她的团队编写的算法可以预测水管故障并确定维修计划的优先顺序。维修管道对于防止潜在的城市洪水至关重要，DAIR 团队正在研究使用多代理人工智能计算机模型模拟潜在洪水情景的算法，该模型可为应急响应和长期城市规划提供信息。利用公开数据并通过与纽约市立大学/纽约大学的 FloodNet 计划的潜在合作，该团队目前正在开发一个仪表板和智能手机应用程序，可在洪水期间提供实时更新，使居民和应急响应人员都受益。
人工智能的工程应用
图像语义分割是一项基础的计算机视觉任务，它对图像进行逐像素分类，以将具有某些共同语义内容的像素分组。语义分割的主要问题之一是创建完全注释的数据集，其中每幅图像每个像素都有一个标签。这些注释非常耗时，而且标记越多，人为输入错误的百分比就越高。基于较少监督的分割方法可以减少标记时间和噪声标签。然而，在处理实际应用时，建立一种最小化标记时间同时最大化性能的方法绝非易事。我们的主要贡献是首次全面研究基于不同监督级别的最先进方法。对图像处理基线、无监督、弱监督和监督方法进行了评估。我们的目标是通过在不同领域的数据集（例如街景（Camvid）、显微镜（MetalDAM）、卫星（FloodNet）和医学图像（NuCLS））上提供性能和监督复杂性之间的权衡，为任何接触新实际用例的人提供指导。我们的实验结果表明：（i）无监督和弱学习在多数类上表现良好，这有助于加快标记速度；（ii）弱监督在少数类上的表现优于全监督方法；（iii）并非所有弱学习方法都对数据集的性质具有鲁棒性，特别是基于图像级注释的方法；（iv）在所有弱监督方法中，基于点的方法表现最佳，甚至可以与全监督方法相媲美。代码可在 https://github.com/martafdezmAM/lessen_ surveillance 获得。