XiaoMi-AI文件搜索系统
World File Search Systemcategorization
dod 指令 4165.03 dod 不动产分类
术语定义基本类别三位数代码，用于表示类别组内的设施类型。CATCODE军事部门和 WHS 使用的五位数或六位数代码，用于表示特定类型的设施。每个 CATCODE 都映射到特定的 FAC 代码，包括使用分配给该 FAC 代码的计量单位类别组两位数代码，用于表示设施类别中的主要设施类型。设施在国防部指令 4165.14 中定义。FAC 代码国防部模式中的四位数代码。具有共同计量单位和基于该计量单位的等价成本的不动产资产分组。此等价成本包括与不动产建设、维护、维持和维修相关的成本。设施类别一位数代码，用于表示国防部设施最广泛的分组。
iaea tecdoc系列
IAEA核安全系列中解决了与预防和检测和对犯罪或故意未经授权的行为有关的核安全和反应的核安全问题。这些出版物与国际核安全文书相一致，并与《核物质的物理保护及其修正案》，《抑制核恐怖主义行为的国际公约》，《联合国安理会1373年和1540年的国际公约》以及《放射性资料安全与安全行为守则》一致。
破坏目标的识别和分类以及要害区域的识别
原子能机构《核安保丛书》讨论了有关防止、发现和应对涉及或针对核材料、其他放射性材料、相关设施或相关活动的犯罪或故意未经授权行为的核安保问题。这些出版物符合并补充了国际核安保文书，例如《核材料实物保护公约》及其修正案、《制止核恐怖主义行为国际公约》、联合国安全理事会第 1373 号和第 1540 号决议以及《放射源安全和安保行为准则》。
密闭空间风险分析和工作分类工具的开发
我们还希望强调由 Robert-Sauvé 职业健康与安全研究所 (IRSST) 的 Marie-France d'Amours 领导的联合后续委员会的贡献，该委员会在定义研究目标并验证结果。后续委员会的成员包括 Caroline Godin（多重预防）、François Granger（工作标准、公平、健康与安全委员会）、Élaine Guénette（市政事务部门工作健康与安全联合协会）。 、Charbel Mouawad（运输设备和机器制造行业协会）、Mireille Pelletier（全国工会联合会）、Pascal Rousseau（运输设备和机器制造协会）魁北克纸浆、造纸和森林工业的健康与安全）、Geneviève Royer（魁北克水电）、Jean-François Spence、Elsa Dagenais（Via Prévention）和 Bernard Teasdale（劳工、建筑行业健康与安全联合协会）。我们还要注意到 Marc-Antoine Busque 和 Laurent Giraud (IRSST) 以及 CIH 顾问 Nicole Goyer 在该项目的某些实习中做出的贡献。
野生动植物、海洋和土地保护中基于人工智能的机遇的回顾与分类
摘要：随着气候变化和导致物种大规模灭绝的生物危机引起全球关注，关于人工智能与联合国可持续发展目标之间联系的学术文献正在蓬勃发展。本文以可持续发展目标 14（水下生物）和 15（陆地生物）为重点，探讨人工智能在野生动植物、海洋和陆地保护等各个领域的应用机会。为此，我们在全面回顾文献和基于人工智能的方法实例的基础上，制定了一个概念框架，以保护濒危物种、监测和预测动物行为模式以及追踪非法或不可持续的野生动物贸易。我们的研究结果为学者、政府、环保组织和企业家提供了急需的分类法和现实生活中的人工智能机会，以应对生物多样性迅速减少的巨大挑战，这对全球粮食安全、自然和人类产生了严重影响。
用于脑肿瘤识别和分类的深度学习目标检测算法
主任，1 信息技术系，1 Babu Banarasi Das 北印度理工学院，勒克瑙，印度 摘要：脑肿瘤是全球面临的重大健康挑战，2023 年全球约有 100 万人受到影响。本研究评估了使用 MRI 图像检测和分类脑肿瘤的物体检测算法的有效性。评估使用了来自不同患者的 MRI 图像数据集，涵盖三种主要脑肿瘤类型：垂体、脑膜瘤和神经胶质瘤。该模型表现出稳健的性能，在验证数据集上具有普遍较高的精度、召回率和 mAP 值。值得注意的是，该模型有效地区分了各种脑肿瘤类型和背景，这由归一化混淆矩阵证明。对脑 MRI 图像的实际测试证实了该模型准确识别不同肿瘤区域的能力。总之，物体检测算法提供了一种有前途的自动化方法，用于识别脑肿瘤和对 MRI 图像进行分类，可能有助于临床医生进行精确的诊断和治疗计划。建议使用更大的数据集进行进一步研究，以增强该模型的临床适用性和可靠性。索引术语 - 脑瘤、物体检测、MRI。
面孔社会分类期间大脑和行为的功能耦合
人的约束 - 将人们置于卑鄙的社会类别（例如种族和性别）的过程中，是人类认知的基本组成部分（Bodenhausen等，2012; Macrae＆Bodenhausen，2000）。面部处理在人体约束中起着巨大的作用（Adolphs，2001; Kramer等，2017; Macrae等，2005; Mason＆Macrae，2004）。从他们的脸上，人们的社会类别成员资格仅在数百毫秒内确定（Freeman等，2010； Ito＆Bartholow，2009; Rule＆Ambady，2010）。A prominent theory of person construal known as the dynamic interactive (DI) model (Freeman & Ambady, 2011, 2014; Freeman & Johnson, 2016) posits that person construal is the outcome of a dynamic integration of “bottom-up” visual pro- cessing of facial features (e.g., physiognomy, skin tone) with higher order, “top-down” information-processing operations (e.g., prior knowledge, current goals).这种整合是在迭代循环上展开的，直到实现目标社会类别的稳定代表为止。从理论上讲，促成这些迭代的过程应反映在脸部引起的神经生理学反应中（Freeman＆Johnson，2016; Stolier＆Freeman，2017），这些反应的可变性应有助于公开的CATE-CORERIPICAL判断的可变性。认为这些迭代被认为是循环的非常快速的时间课程 - 在数十毫秒的命令下（Freeman＆Johnson，2016） - Makes Makes
母亲的气味影响婴儿大脑对面部的快速分类
a 发育行为学和认知心理学小组，勃艮第弗朗什孔泰大学胃肠和营养科学中心，法国国家科学研究院，法国农业研究理事会，第戎，F-21000，法国 b 鲁汶大学神经科学研究所心理科学研究所，1348 Louvain-la-Neuve，比利时 c 洛林大学，法国国家科学研究院，CRAN，F-54000，南锡，法国 d 洛林大学，CHRU-Nancy，神经病学系，F-54000，南锡，法国 e 发展、个体、过程、残疾和教育实验室（DIPHE），发展、教育和脆弱心理学系（PsyDÉV），里昂大学（Lumière Lyon 2）心理学研究所，69676 Bron cedex，法国 * 通讯作者：Arnaud Leleu (arnaud.leleu@u-bourgogne.fr) 和 Jean-Yves Baudouin (j.baudouin@univ- lyon2.fr) 1 这些作者贡献相同 数据可用性声明
一种可解释的 AI 系统，用于根据 CT 扫描结果自动评估 COVID-19 并进行病变分类
由 SARS-CoV-2 病原体引起的 COVID-19 感染在世界范围内爆发了灾难性的大流行病，确诊病例数呈指数级增长，不幸的是，死亡人数也呈指数级增长。在这项工作中，我们提出了一种基于深度学习范式的 AI 驱动流程，用于从 CT 扫描中自动检测 COVID-19 并对病变进行分类。我们首先提出了一个新的分割模块，旨在自动识别肺实质和肺叶。接下来，我们将这种分割网络与分类网络相结合，以识别 COVID-19 和对病变进行分类。我们将获得的分类结果与三位专家放射科医生在包含 162 次 CT 扫描的数据集上获得的结果进行了比较。结果显示，COVID-19 检测的敏感性为 90%，特异性为 93.5%，优于专家放射科医生的结果，平均病变分类准确率超过 84%。结果还表明，先前的肺和肺叶分割发挥了重要作用，使我们能够将性能提高 20 个百分点以上。此外，对训练后的 AI 模型的解释表明，支持 COVID-19 识别决策的最重要区域与与病毒临床相关的病变一致，即疯狂铺路、实变和毛玻璃。这意味着人工模型能够通过评估 CT 扫描中这些病变的存在来区分阳性患者和阴性患者（对照组和间质性肺炎患者的 COVID 检测结果均为阴性）。最后，AI 模型被集成到一个用户友好的 GUI 中，以支持放射科医生的 AI 可解释性，该 GUI 可在 http://perceivelab. com/covid-ai 上公开获取。整个人工智能系统是独一无二的，因为据我们所知，它是第一个公开的基于人工智能的软件，它试图向放射科医生解释人工智能方法使用了哪些信息
用快速电子梁探测光学叠液基于机器学习的极化签名分析，用于检测和分类窃听事件和有害事件
光纤基础架构对于处理从军事智能到个人信息的广泛敏感数据至关重要。近年来，这些系统对这些系统的破坏尝试增加，以及未经授权的数据拦截的风险，这对量子计算的进步加剧了[1，2]。光纤特别容易受到窃听攻击的影响，其中未经授权的光耦合技术（例如evaneScent耦合，剪切，V-Grove剪切和微宏弯曲[3，4）可用于拦截数据。监视光电水平是检测窃听攻击的一种方法，但它可能不适用于导致最小或无法检测到的功率水平下降的攻击[5]。比光学功率跟踪更复杂的技术涉及监测接收器的极化状态变化，以使窃听尝试的正常系统变化。早期工作[6]使用分布式光纤传感（DFO）引入了一个系统，该系统可以通过使用已安装的光纤电缆触摸或操纵围栏来检测签名。但是，由于纤维杂质而依赖瑞利和布里鲁因反向散射，使该溶液复合物。此外，需要高速脉冲激光器以基于反向散射脉冲延迟确定漏洞的位置，再加上二氧化双流器以滤除放大的自发噪声的要求，并以其高成本进行贡献。1a）。[7]中的工作研究了不同纤维事件的极化特征，因为在特定时间和频率窗口中极化的序列变化，通过处理Poincar´e球中的极化状态得出（请参阅图通过窃听和有害事件产生的签名是在独特的情节中视觉的，被称为瀑布，使人类安全操作员可以在视觉上区分合法和未经授权的活动。这是一种比[6]的方法更简单，更具成本效益的恶意活动检测方法。然而，由于需要分析瀑布地块的人类专家，因此基于可视化的技术具有有限的适用性和可伸缩性。为了克服现有人类依赖性解决方案的可伸缩性和成本限制，我们引入了一种使用机器学习（ML）算法来分析极化特征的新方法。本文是第一个针对三种电缆类型进行实验收集和分析包含窃听攻击以及其他潜在有害和无害事件的数据集的。我们的方法论是从正常操作条件和无害事件中分析和分析窃听和潜在有害事件的过程，从而允许潜在的大规模光网络部署。提出的方法以92.3％的精度成功地分离了签名。