XiaoMi-AI文件搜索系统
World File Search Systemdatasets
对脑电图分类的不同数据集进行预培训
脑电图（EEG）分类任务由于其高应用值而引起了人们的关注。同时，语言处理领域中一般培训模型的巨大成功激发了我们挖掘EEG预先训练模型的功能。该模型有望适应各种下游任务。但是，当前的研究要么忽略EEG信号中的时间或空间域，要么仅在预训练中使用单个数据集。提出的时间空间预测（TSP）模型有效地解决了这些问题。具体来说，TSP endoer的输出用作两个任务的输入：空间预测，即屏蔽的自动编码器和时间预测，即，contrastive的预测编码。此外，为了提供更多多样化的信息，从而使下游微调受益，我们将TRAIN TSP预先在具有四个不同数量的渠道的六个大型脑电图数据集上。在三个公共下游数据集种子，种子-IV，TUEV上结果表明，TSP在不同的EEG分类任务上实现了最先进的性能。此外，根据消融实验，TSP的性能优于单域方法，即时间预测（TP）模型和空间预测（SP）模型。
AGV通信和传感器测量数据集
abtract本文在工业测试台上介绍了两项无线测量活动：工业车辆到车辆（IV2V）和工业车辆到工业 - 弗拉图和传感器（IV2I+），并提供有关两个捕获的数据集的详细信息。IV2V涵盖了移动机器人和固定机器人之间的侧链链路通信方案，而IV2i+是在自主清洁机器人连接到私人蜂窝网络的工业环境中进行的。在综合测量方法中，不同的通信技术的组合提供了洞察力，可以通过ML来利用这些洞察力，例如鳍片，视线识别，视线检测，服务质量的预测或链接选择。此外，数据集可公开可用，标记和预先贴上，以快速登机和适用性。
分析机器学习的椰子数据集和...
Jhunjhunu，印度拉贾斯坦邦，摘要本文讨论了用于椰子植物监测的自动化疾病检测系统的发展，重点是多个机器学习技术的整合，实时检测能力，可伸缩性和适应性学习。深度学习模型，尤其是卷积神经网络（CNN），可以自主获得与疾病症状相关的图像特性。选择适当的体系结构，例如Resnet，VGG-16或EfficityNet，促进了数据中复杂模式的捕获。该研究研究了使用高分辨率图像与深度学习方法结合使用的高分辨率图像来识别和评估椰子树健康的可行性。Resnet-50模型在检测和健康分类任务中的表现优于VGG-16体系结构，表明大多数受影响的椰子树具有Ganoderma感染和钾不足。提出的方法显示了泰国椰子树管理的潜力，从而可以更有效地使用工人，而在现场花费的时间更少。为了最大程度地提高模型性能，未来的研究应旨在增加数据集的数量和多样性，包括各种视觉属性。为了更好地对健康问题进行分类，未来的研究可能会使用多光谱摄像头。通过将监督，无监督和半监督的学习方法结合起来，可以根据椰子植物监测和更广泛的应用来量身定制该系统。关键字：椰子叶，Resnet，VGG-16和CNN。
试验板：多模式AI-Ready临床试验数据集
1伊利诺伊大学伊利诺伊大学乌尔巴纳 - 香槟分校的计算机科学系中国杭州大学的吉安格大学5医学大数据中心，广东省人民医院（广东医学科学院），南部医科大学，中国广州。6张大学医学创新研究所，中国杭州大学的药学学院，吉江大学，吉吉安格大学医学院第二个分支机构医院，中国医学院，美国芝加哥8 GE Healthcare，美国芝加哥，美国9吉维亚，美国哥伦比亚省芝加哥市，美国，美国，美国，美国，美国，美国，美国9吉尼亚州。美国纽约州伦斯勒理工学院 *通讯作者：Jintai Chen（cjt147@illinois.edu）†这些作者对这项工作也同样做出了贡献
电源系统波形数据集用于机器学习
免责声明这一信息是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，或其任何雇员均未对任何信息，设备，产品或过程披露或代表其使用将不会侵犯私人拥有的私有权利。参考文献以商品名称，商标，制造商或其他方式指向任何特定的商业产品，流程或服务，并不一定构成或暗示其认可，建议或受到美国政府或其任何机构的支持。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
胎儿脑部 MRI 图谱和数据集：综述
胎儿大脑发育是一个复杂的过程，涉及不同的生长和组织阶段，这对于大脑回路和神经连接的发育至关重要。胎儿脑图谱和标记数据集是研究产前大脑发育的有前途的工具。它们支持识别非典型大脑模式，为临床状况的潜在早期迹象提供见解。简而言之，通过现代工具进行产前大脑成像和后期处理是一个前沿领域，将极大地促进我们对胎儿发育的理解。在这项工作中，我们首先对特定术语（即“大脑模板”和“大脑图谱”）进行术语澄清，强调与文献中术语使用不一致相关的潜在误导性解释。我们讨论了胎儿大脑个体发育的主要结构和神经发育里程碑。我们的主要贡献是对 18 个产前大脑图谱和 3 个数据集进行系统回顾。我们还顺便关注产前神经影像学的临床、研究和伦理影响。
通过本体统一越野数据集的应用
抽象的机器学习（需要大型培训数据集）被用于启用感知：自动驾驶操作环境的分割和分类。由于条件和复杂结构的多样性，大型培训数据集很难为越野环境创建。因此，研究人员研究了统一现有数据集的方法，以开发更健壮和通用的机器学习算法。在我们的工作中，我们通过利用以前提出的基于本体的数据集统一技术来证明这种方法的优势。我们演示了建议的框架如何融合现有数据集以创建一个大型跨集成数据集，这不仅是基于预先存在的类，而且基于材料或结构层次结构。通过统一四个最突出的越野数据集DeepScene的Freiburg Forrest，Rellis-3D，RUGD和YCOR数据集来显示这一点。此外，我们演示了在这样的统一数据集上训练的机器学习模型比仅在较小数据集上创建的模型更准确，更健壮。最后，我们演示了如何利用基于猫头鹰的框架找到在机器学习模型的标签和培训期间发生的不一致之处。这项工作可在https://github.com/ tamu-edu/orator-atlas
离线安全加固学习的数据集和基准
本文介绍了一个全面的基准测试套件，该套件是针对离线安全增强学习（RL）挑战的全面的，旨在促进培训和部署阶段中安全学习算法的发展和评估。我们的基准套件包含三个包：1）精心制作的安全政策，2）D4RL风格的数据集以及环境包装器，以及3）高质量的离线安全RL基线实施。我们采用有条不紊的数据收集管道，该管道由先进的安全RL算法启动，该管道有助于从机器人控制到自动驾驶的38个流行的安全RL任务中跨38个流行的安全RL任务的不同数据集的生成。我们进一步引入了一系列数据后处理过滤器，能够修改每个数据集的多样性，从而模拟各种数据收集条件。此外，我们还提供了普遍的离线安全RL算法的优雅且可扩展的实现，以加速该领域的研究。通过超过50000个CPU和800 GPU小时计算的广泛实验，我们评估和比较了这些基线算法在收集的数据集中的性能，从而提供了有关其优势，局限性和潜在改进领域的见解。我们的基准测试框架是研究人员和从业人员的宝贵资源，促进了在安全性应用中开发更健壮和可靠的离线安全RL解决方案。基准网站可在www.offline-saferl.org上找到。
如何在小型数据集上训练视觉变压器？
Vision Transformer（VIT），与卷积神经网络的根本不同的架构具有多种优势，包括设计简单，鲁棒性和在许多视觉任务上的表现。然而，与卷积的旋转网络相反，视觉变压器缺乏固有的感应偏见。因此，对此类模型的成功培训主要归因于在大规模数据集上的预训练，例如具有1.2m的Imagenet或具有300m图像的JFT。这阻碍了小规模数据集的Vi-Sion变压器的直接适应。在这项工作中，我们表明可以直接从小规模数据集中学习自我监督的偏见，并作为微调的有效权重初始化方案。这允许在没有大规模预训练的情况下训练这些模型，更改模型体系结构或损失功能。我们提出了在五个小型数据集上成功训练整体石器和非孔子视觉转换器的thor outh实验，包括CIFAR10/100，CINIC10，SVHN，SVHN，Tiny-ImageNet和两个细粒度的数据集：飞机和汽车。我们的方法始终如一地提高视觉变压器的性能，同时保持其特性，例如关注显着区域和更高的鲁棒性。我们的代码和预培训模型可在以下网址获得：https：//github.com/hananshafi/vits-for-small-scale-datasets。
全球尺度评估水文建模的降水数据集
1牛津大学，牛津大学，牛津大学，英国2号地理与环境科学学院，南安普敦大学，南安普敦大学，SO17 1BJ，英国3号，英国3号3号，阿拉巴马州阿拉巴马大学，阿拉巴马州阿拉巴马大学，美国阿拉巴马大学4号和经济，埃克塞特大学，埃克塞特大学，EX4 4RJ，英国6 6号地理与地球科学学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥大学7 7地理与环境科学系，英国雷丁大学，雷丁大学8号，雷丁大学8读，雷丁大学，雷丁大学，雷丁大学，雷丁大学，英国9能源与环境研究所，赫尔，赫尔，赫尔，赫尔，杜勒，杜勒，杜勒，杜勒，少年， UK 11地理科学学院，布里斯托尔大学，布里斯托尔大学，BS8 1SS，英国12地理与环境，拉夫堡大学，拉夫堡，英国，英国