XiaoMi-AI文件搜索系统
World File Search SystemICPR
ICPR-2024 口头会议
R2-214 Lee, Keuntek; Park, JaeHyun; Cho, Nam Ik 使用重叠码本增强多曝光高动态范围成像以改进表征学习 R2-303 Yu, Huiyuan; He, Jia; Cheng, Maggie 通过逐次回归实现快速正交匹配追踪
ICPR-2024的海报论文列表
1.132 179张，bin; zou，chaofan*;歌曲，Wenwen FTC：联合实体和关系提取的新颖三胞胎分类模型1.133 363张，梁； Zheng，Nan* H2O2NET：一个新型实体关系连接网络，用于联合关系三重提取1.134 R2-629 BHESRA，KIRTILEKHA； Agarwal，Akshay*一个多模式的框架来对抗仇恨演讲
第27届ICPR教程 2024.12.01 - 赵鑫
赵欣教授于2013年获得中国科学技术大学博士学位。他的研究兴趣包括视频分析和性能评估，尤其针对目标跟踪任务。他发表过许多国际期刊和会议论文，例如IJCV、IEEE TPAMI、IEEE TIP、IEEE TCSVT、CVPR、ICCV、NeurIPS、AAAI、IJCAI。最近，他主要进行人机视觉评估方面的研究。他构建了多个广泛使用的计算机视觉基准测试集（例如GOT-10k、VideoCube、SOTVerse、Biodrone等）并建立了在线评估平台。他定期担任以下会议和期刊的程序委员会成员或同行评审员：CVPR、ICCV、ECCV、ICML、NeurIPS、ICLR、IJCV、IEEE TPAMI、IEEE TIP、IEEE TMM等。
Anuj Kumar 博士，科学家 D，ICMR-NICPR 日期 2024 年 7 月 8 日 1
17. Gill J、Yogavel M、Kumar A、Belrhali H、Jain SK、Rug M 等。疟原虫核小体组装蛋白的晶体结构：蛋白质定位和组蛋白识别的不同模式。《生物化学杂志》[互联网]。2009 年 4 月 10 日 [2012 年 6 月 14 日引用]；284(15)：10076-87。网址：http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=2665062&tool=pmcentrez&rendertype=abstract
第四届模式识别与人工智能国际会议（ICPRAI 2024）
主题领域 1 模式识别：数据聚类、领域自适应和泛化、信息检索、特征提取/选择和评估、统计模式识别、结构模式识别、时间序列处理 主题领域 2 计算机视觉：行为识别、深度处理和 3D 数据、面部和面部表情识别、人体姿势估计、图像融合、图像处理/分析、多模态模型（视觉 + 语言）、对象检测和识别、场景理解、分割、视频分析 主题领域 3 人工智能：因果推理、持续学习、专家系统、GAN 和扩散模型、生成式人工智能、图神经网络、可解释性和可解释人工智能、知识表示和表示学习、机器/深度学习、优化、强化学习、语义分析、不确定性预测、零样本和小样本学习 主题领域 4 应用：自主车辆、生物识别、脑机接口、脑启发计算、文档分析与识别、人机交互、医疗数据处理、自然语言处理、神经信息处理、里程计、机器人、社交计算、无人系统
第四届模式识别与人工智能国际会议（ICPRAI 2024）
欢迎与这些主题相关的理论、方法和应用导向的贡献，可能包括：手写、文档、文本、语言处理、电子学习、图像处理/分析、生物医学成像、遥感、图像检索、2D/3D 图像和图形、音频/视频、多媒体应用、安全和法医研究、移动应用、面部、指纹、虹膜、脑信息学、战略物体和目标、模式识别和人工智能的工业应用、创新和技术转让、金融趋势和分析、交通分析和智能交通系统、机器人、人机交互或自动驾驶汽车。
参考文献：Muddamsetty, SM、Jahromi, MNS 和 Moeslund, TB (2021)。对医学领域的解释性人工智能（XAI）方法的专家级评估。在 A. Del Bimbo、R. Cucchiara、S. Sclaroff、GM Farinella、T. Mei、M. Bertini、HJ Escalante 和 R. Vezzani (Eds.) 的《模式识别》中。 ICPR 国际研讨会和挑战（第 12663 卷，第 35-46 页）。施普林格出版公司。 https://doi.org/10.1007/978-3-030-68796-0_3
摘要。最近出现的可解释人工智能 (XAI) 领域试图以人类可以理解的术语阐明“黑箱”机器学习 (ML) 模型。随着多种解释方法的开发以及黑箱模型的不同应用，需要专家级评估来检查其有效性变得不可避免。这对于敏感领域（例如医疗应用）非常重要，因为专家的评估对于更好地了解复杂 ML 的结果的准确性以及在必要时调试模型至关重要。本研究的目的是通过实验展示如何利用医疗应用中的专家级 XAI 方法评估并将其与临床医生生成的实际解释保持一致。为此，我们从配备眼动仪的专家受试者那里收集注释，同时他们对医学图像进行分类，并设计一种方法将结果与从 XAI 方法获得的结果进行比较。我们通过多个实验证明了我们方法的有效性。