XiaoMi-AI文件搜索系统
World File Search SystemVisualising
使用零件和探针混合跟踪实现检查过程数字化的概念，用于未来维护和数字孪生
目前，维护正在向数字化转型，其中也正在开展检查领域的研究。目前的文献表明，人们正努力以各种方式跟踪超声波检测探头的路径，以便将记录的超声波数据与位置信息（即坐标）联系起来。在大多数情况下，数据与独立于零件的参考系统相关联。然而，这样一来，就没有建立对零件坐标系的直接引用，这意味着未来的利用潜力（例如在数字孪生中）没有得到充分利用。为了使用零件本身作为参考，本文开发了一种混合跟踪系统，其中零件无需标记即可跟踪，而超声波检测探头则配备有被动反射标记。这使得可以将超声波检查的传感器数据直接分配给原点位置，而无需为零件配备光学标记。正在对系统的设置和软件开发进行初步工作。实验评估显示了普遍适用性。此外，还介绍了一种使用增强现实技术可视化记录的超声波数据的方法。
工业环境中的元元 - 全面审查
本文探讨了元技术在工业资产管理（AM）中的潜力。通过整合AI和数字技术，元元可以增强人类系统交流（HSI）并优化AM过程。但是，在工业环境中实施元元面临挑战，尤其是在可视化物理和虚拟资产时。本文进行了系统的审查，以应对这些挑战并确定潜在的解决方案。发现表明，尽管有必要的技术可用，但它们在工业中的广泛采用是有限的。本文介绍了与工业环境中与元应用相关的研究主题的全面概述，强调了不断发展的景观和潜在的好处。最终，这项研究旨在通过提供对其发展，实施和挑战的洞察力以及工业元元框架来为工业AM中的元技术发展做出贡献。使用Railway Digital Assets提供了iMaintenance Lab中可用的铁路数字资产，在铁路部门应用了元概念。这项工作的实际含义有望提高各个工业领域的运营和维护程序的效率和有效性。
神经科学中的图论
图论是数学领域图论所涵盖的主题之一，图论是由节点（有时称为顶点）通过边连接的数学结构。图论提供了一种在神经科学领域研究大脑中错综复杂的神经元互连网络的方法。在大脑网络图中，神经元由节点表示，它们的连接由边表示。研究人员可以使用图论技术来表征大脑网络的拓扑结构，并通过将网络可视化为图形来精确定位连接模式。为什么在神经科学中使用图论？图论是研究大脑组成和运作的越来越重要的工具。大脑由一个复杂的互连神经元网络组成，图论提供了一种理解该网络的技术，将其可视化为一个图形，其中神经元充当节点，它们之间的连接充当边。神经科学家可以使用图论来测量大脑网络的度分布、聚类系数和路径长度。这些特征揭示了大脑如何传递和处理信息。例如，研究表明，人类大脑具有小世界网络特征，包括高度的局部聚类和短路径
引用了原始发表的论文（记录的版本）：Jafarzadeh，S.，Nooshkam，M.，Qazanfarzadeh，Z。等（2024）。解锁潜在的O
I. Vowles，Kjell和Hultman，Martin。2021。“恐吓引用的气候：瑞典极右翼媒体生态系统中气候否认的迅速上升。”北欧媒体研究杂志，第3卷，第1期，2021年，第79-95页。doi.org/10.2478/njms-2021-0005 ii。誓言，Kjell和Martin Hultman。 2022。 ‘死白人与格雷塔·敦伯格（Greta Thunberg）：瑞典极右翼数字媒体中的民族主义，厌女症和气候变化否认”。 澳大利亚女权主义研究，4月1-18。 誓言，Kjell。 2023。 “说话的头和逆势图：电视瑞典人对气候变化的反对”。 在可视化极端环境的交流和自然政治时，由伯恩哈德·福切特纳（Bernhard Forchtner）编辑，253-273。 曼彻斯特：曼彻斯特大学出版社。 iv。 画家，詹姆斯，约书亚·埃丁格，戴维·霍尔姆斯，洛雷达娜·洛伊，贾纳纳·平托，露西·理查森，劳拉·托马斯·沃特斯，克杰尔·沃尔斯和雷切尔·韦特斯。 2023。 ‘在IPCC 2021年报告的全球主流电视报道中存在的气候延迟话语''。 通信地球与环境4（1）：118。DOI：10.1038/s43247- 023-00760-2（包括补充材料）。誓言，Kjell和Martin Hultman。2022。‘死白人与格雷塔·敦伯格（Greta Thunberg）：瑞典极右翼数字媒体中的民族主义，厌女症和气候变化否认”。澳大利亚女权主义研究，4月1-18。誓言，Kjell。2023。“说话的头和逆势图：电视瑞典人对气候变化的反对”。在可视化极端环境的交流和自然政治时，由伯恩哈德·福切特纳（Bernhard Forchtner）编辑，253-273。曼彻斯特：曼彻斯特大学出版社。iv。画家，詹姆斯，约书亚·埃丁格，戴维·霍尔姆斯，洛雷达娜·洛伊，贾纳纳·平托，露西·理查森，劳拉·托马斯·沃特斯，克杰尔·沃尔斯和雷切尔·韦特斯。2023。‘在IPCC 2021年报告的全球主流电视报道中存在的气候延迟话语''。通信地球与环境4（1）：118。DOI：10.1038/s43247- 023-00760-2（包括补充材料）。
Ageml：用机器学习的年龄建模
摘要 - 一种成功的年龄建模方法，即使用从主题功能中的机器学习来预测年龄的监督预测。用于探索大脑和多个身体系统中健康与病理衰老之间的关系，以及它们之间的相互作用，我们缺乏对任何通用系统预测年龄的标准。在这项工作中，我们开发了Ageml，这是一种从任何类型的表格临床数据中建立且经过测试的方法，用于预测年龄的开发软件。目的是设定超级年龄建模任务中报告的可重复性和标准化的标准。ageml允许建模年龄和计算年龄三角洲，预订单和年代年龄之间的差异，测量年龄和因素之间的相关性和因素之间的相关性，可视化不同临床人群的年龄三角洲的差异以及基于年龄级别的临床人群分类。使用软件Ageml，我们正在将其功能演示在混合数据集上，复制已发表的工作以及身体器官和多基因风险得分之间的新颖关系。Ageml可以轻松实现标准化和可重复性。
人工智能对印度的影响
很多以前与成功经营企业相关的费力且劳动密集型的工作正在被人工智能自动化，这正在迅速改变零售业。零售店的人工智能应用程序可以帮助企业通过可视化各种定价策略的可能影响来为其产品定价。为此，系统会收集有关其他项目、促销活动、销售数字和其他数据的信息。该研究的目的是了解人工智能对零售业的影响。在印度安得拉邦维杰亚瓦达，研究考虑了来自不同零售企业的 145 个样本。调查中同时使用了原始数据和二手数据。使用因子分析对研究进行了评估。数据研究表明，大多数受访者都知道人工智能在印度零售业中的使用。研究还指出，大多数零售机构都在其商业模式中使用人工智能。人工智能在印度零售业的订单处理、运输和库存管理方面尤其有用。研究还发现，大多数零售业主都意识到人工智能对其业务的影响，并且他们正在其商业模式中实施人工智能技术，以满足行业不断变化的需求。关键词：人工智能、机器学习、自动化、零售、商业 1. 介绍
深层基于注意力的神经网络可解释的心脏声音分类
心血管疾病是死亡的主要原因，并严重威胁了日常生活的人类健康。临床实践和智能家庭应用程序的需求急剧增加，以监测患有慢性心血管疾病的人的心脏状况。但是，在数量方面仍然缺乏经验丰富的医生。自动心脏声音分类利用高级信号处理和深度学习技术的功能显示出令人鼓舞的结果。然而，缺乏对深神经网络的解释是自动心脏声音分类应用的限制。为此，我们提出了通过注意机制来解释深层神经网络，以进行心脏声音分类。我们评估了心脏听起来深圳语料库的拟议方法。我们的方法可实现三种心脏声音分类的未加权平均召回率为51.2％。例如，正常，轻度和中度/重度。实验结果还表明，通过估计每个单元在高级特征中的贡献，全球注意力集合层可以提高学习表示的性能。我们通过可视化注意力张量进一步分析了深层神经网络。
空中交通管制领域的低保真原型设计
正如《空中交通管理总体规划》（SESAR，2015 年）中所述，重大变化将影响未来欧洲空中交通的处理方式。而在 20 年内，空中交通量应该会翻一番，同时地面和空中的延误应该会减少 30%。总体安全性也应该得到改善。与使用标准航路不同，实施 4D 航迹将确保航班“尽可能长时间地沿着几乎不受限制的最佳航迹飞行 [...] 以非常准确地满足指定点的到达时间”（SKYbrary，2017a）。为了能够处理这些创新，空中交通管制员 (ATCO) 需要适当的工具，尤其是用于可视化 4D 航迹的工具。开发安全关键工作环境领域的软件非常具有挑战性，因为操作错误可能会导致致命事故。有必要尽可能密切地与用户组合作，了解他们的需求，并开发出有机会被这些专家用户接受的解决方案。在研究项目 VAST（虚拟空域和塔台）中，将探索可视化和声音化复杂空中交通场景的新概念。该团队遵循以用户为中心的设计流程（Nor-man，2013），并开发了三个低保真原型，以便尽早与 ATCO 一起对其进行评估
基于概念的可解释人工智能：指标和基准
基于概念的解释方法，例如Conept瓶颈模型（CBMS），旨在通过将这些概念准确地归因于Net-Net Work的特征空间的关键假设，旨在通过将其决策与人为理解的概念联系起来，以提高机器学习模型的可解释性。但是，这种基本假设尚未得到严格验证，主要是因为该领域缺乏标准化的群众和基准来评估此类概念的存在和空间对齐。为了解决这个问题，我们提出了三个指标：概念全球重要性指标，概念存在和概念位置指标，包括一种可视化概念激活的技术，即概念激活映射。我们基准了事后CBM，以说明其能力和挑战。通过定性和定量实验，我们证明，在许多情况下，即使是由事后CBMS确定的最重要的概念也不存在于输入图像中。此外，当它们存在时，其显着性图无法通过在整个对象上激活或误导相关概念特异性区域来与预期区域保持一致。我们分析了这些局限性的根本原因，例如概念的自然相关性。我们的发现不需要更仔细地应用基于概念的解释技术，尤其是在空间解释性至关重要的环境中。
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI