XiaoMi-AI文件搜索系统
World File Search SystemML
用于可变形医学图像配准的相关感知粗到精 MLP
可变形图像配准是医学图像分析的基本步骤。最近，Transformer 已用于配准，其表现优于卷积神经网络 (CNN)。Transformer 可以捕获图像特征之间的长距离依赖性，这已被证明对配准有益。然而，由于自注意力的计算/内存负载高，Transformer 通常用于下采样特征分辨率，无法捕获全图像分辨率下的细粒度长距离依赖性。这限制了可变形配准，因为它需要每个图像像素之间精确的密集对应关系。没有自注意力的多层感知器 (MLP) 在计算/内存使用方面效率高，从而可以捕获全分辨率下的细粒度长距离依赖性。然而，MLP 尚未在图像配准中得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关感知 MLP 的配准网络 (CorrMLP) 用于可变形医学图像配准。我们的 CorrMLP 在新颖的粗到细配准架构中引入了关联感知多窗口 MLP 块，该架构可捕获细粒度多范围依赖性以执行关联感知粗到细配准。对七个公共医疗数据集进行的大量实验表明，我们的 CorrMLP 优于最先进的可变形配准方法。
在学校使用 Scratch 和 LearningML 学习人工智能.pdf
Brummelen, JV、Shen, JH 和 Patton, EW (2019)。流行歌星、诗人和格林奇：通过基于块的编码将人工智能与计算思维框架联系起来。2019 年国际计算思维教育会议论文集。香港：香港教育大学，2
核物理AI/ML核物理AI/ML
[1] G. Gavalian等。“使用人工智能在CLAS12检测器中使用粒子轨迹识别。”Arxiv预印型ARXIV：2008.12860（2020）。[2] G. Gavalian。“用于CLAS12的漂移室中轨道重建的自动编码器。”ARXIV预印型ARXIV：2009.05144（2020）。[3] L.-G。 Gagnon，LHC的轨道重建机器学习，2022 Jinst 17 C02026 - AI4EIC研讨会[4] EXA.TRKX：Exascale的HEP跟踪。DOE Comphep项目，https://exatrkx.github.io/ [5] A. Akram和X. Ju。“在Panda实验中使用稻草管跟踪器（STT）中使用几何深度学习的跟踪重建”。arxiv：2208.12178（2022）[6] D. Rohr“在爱丽丝的在线和离线重建的概述，用于LHC运行3.”arxiv：2009.07515（2020）https://arxiv.org/abs/2009.07515
第一个反洗钱人工智能附录 v1.0
2.3.参与和终止。客户对 AI 功能的使用是可选的，并且需要客户启用 AI 功能。First AML 可随时更改、暂停或停止任何 AI 功能。在发布对 AI 条款的任何更改后，客户继续使用 AI 功能即表示接受这些更改。First AML 还可能对某些功能和服务施加限制，或限制客户访问全部或部分 AI 功能，而无需通知 First AML 或对其承担任何责任。
计算机视觉 / ML工程师实习生< / div>
理想的候选人将具有强大的背景：计算机科学，机械工程，电气工程，生物医学工程或相关领域。如果有兴趣，候选人将暴露于从头开始发展初创公司的各个方面（R＆D，光学系统集成和原型化）。工作将主要在我们的马里兰州哥伦比亚办事处进行。工资与经验相称（至少$ 17/hr）。我们的紧密联系的团队很高兴欢迎有才华的申请人并一起发展我们的冒险！
入读为期一学期的人工智能和机器学习课程
目标 IIT Jodhpur 邀请申请为期一学期的人工智能 (AI) 和机器学习 (ML) 课程。人工智能已成为一项核心技术，对生产力产生了重大影响。根据印度政府 NEP 的广泛指导方针，我们为申请者提供了接受人工智能和机器学习正式课程的机会，以满足新兴人工智能技术对训练有素的人才的迫切需求。
基于 AI/ML 的气候服务 S2S 预测工具
有很多 Python 包可用，但没有一个可以处理气候数据集的多维。它安装起来非常容易（一行命令），不需要任何特殊的计算机，并且适用于 Window、Mac 和 Linux/Unix 系统。Xcast 并行化代码，因此速度更快。它包括所有传统方法（MLR、PCR、CCA）和最先进的 AI/ML 方法（如 ANN、随机森林等）。它读取 NetCDF/Grib2/Zar 数据，而传统工具需要“ASCII 格式”。它还可以读取任何模型输出（NMME、C3S、S2S 和 SubX 或您自己的）。它不仅仅是一个“Jupyter 笔记本”，而是一个 Python 包。
PharmAML：创建一个机器学习过程来分析动作机理＆
●随机森林：一种合奏学习算法，该算法构建了多个决策树并结合了输出以提高准确性并减少过度效果。●XGBoost：像随机森林一样，XGBoost是一种集合学习算法，但它使用梯度提升来依次构建决策树，在每个步骤上纠正错误，以提高准确性和效率。●KNN：一种基于实例的学习算法，该算法基于其K最近的K最近邻居的多数类或通过平均值来预测值。●XGBlend：我们创建的XGBoost模型！将标准神经网络与XGBoost体系结构相结合，以提高算法处理的速度。●1D-CNN：使用卷积层将每一行视为1D序列的卷积神经网络，以捕获特征相互作用并提取图案，以提高预测性能。●TABNET：专为表格数据而设计的深度学习模型，利用注意机制动态选择相关特征，从而实现可解释性和有效的学习。