XiaoMi-AI文件搜索系统
World File Search Systemstages
强制性通知阶段和建筑工作的检查
该实践说明是由VBA准备并出版的，仅用于一般教育和信息目的。未经VBA事先书面同意或1968年版权法（CTH）允许的任何人，任何人都不得复制，复制，发布，改编或传达该出版物。VBA对本资源中包含的任何信息或材料的准确性，可靠性，适用性，完整性或真实性没有任何保证或陈述。对此类信息的任何用途或依赖都有一个人自负的风险。VBA对任何直接，间接或相应的损失或任何人可能遭受的任何直接，间接或结果损失或与访问或使用本资源的使用（包括本资源中包含的任何第三方材料）所遭受的任何责任。
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
研究文章 深度迁移学习人工智能可在便携式胸部 X 光片上准确分期 COVID-19 肺部疾病严重程度
本研究采用深度学习卷积神经网络在便携式胸部X光 (CXR) 上对冠状病毒病 2019 (COVID-19) 感染的肺部疾病严重程度进行分期，并以放射科医生的疾病严重程度评分为基本事实。本研究包括 84 名 COVID-19 患者 (51 名男性 55.1 ± 14.9 岁；29 名女性 60.1 ± 14.3 岁；4 项信息缺失) 的 131 张便携式 CXR。三位专家胸部放射科医生根据不透明度 (0-3) 和地理范围 (0-4) 分别对左肺和右肺进行评分。深度学习卷积神经网络 (CNN) 用于预测肺部疾病严重程度评分。数据分为 80% 的训练数据集和 20% 的测试数据集。分析了 AI 预测评分与放射科医生评分之间的相关性。并与传统学习和迁移学习进行了比较。平均不透明度得分为 2.52（范围：0-6），三位读者的标准差为 0.25（9.9%）。平均地理范围得分为 3.42（范围：0-8），三位读者的标准差为 0.57（16.7%）。评分者间一致性得出不透明度得分的 Fleiss' Kappa 为 0.45，范围得分的 Fleiss' Kappa 为 0.71。人工智能预测的分数与放射科医生的分数高度相关，其中顶级模型的相关系数（R 2 ）为 0.90（范围：传统学习为 0.73-0.90，迁移学习为 0.83-0.90），平均绝对误差为 8.5%（范围：分别为 17.2-21.0% 和 8.5%-15.5）。迁移学习通常表现更好。总之，深度学习 CNN 可在便携式 COVID-19 肺部感染胸部 X 光片上准确分级疾病严重程度。这种方法可能有助于分级肺部疾病严重程度、预测和预测治疗反应和生存率，从而为风险管理和资源分配提供信息。
在本文中，我们描述了巴西联邦税务特别秘书处 (RFB) 2019 年的人工智能计划。RFB 涵盖巴西的海关部门和国税局，这两个领域都有人工智能计划。其中之一是全国范围内成熟的人工智能，其核心技术由 RFB 创建和开发：通过机器学习的海关选择系统 (Sisam)。在海关领域，我们还有其他正在生产的人工智能，如 Aniita 系统中的专家系统和 Iris 人脸识别系统。其他一些计划已部分实施、处于测试或开发后期。海关和国税局都有此类计划。越来越多的计划正处于起步阶段。
在本文中，我们描述了巴西联邦税务特别秘书处 (RFB) 2019 年的人工智能计划。RFB 涵盖巴西的海关部门和国税局，这两个领域都有人工智能计划。其中之一是全国范围内成熟的人工智能，其核心技术由 RFB 创建和开发：通过机器学习的海关选择系统 (Sisam)。在海关领域，我们还有其他正在生产的人工智能，如 Aniita 系统中的专家系统和 Iris 人脸识别系统。其他一些计划已部分实施、处于测试或开发后期。海关和国税局都有此类计划。越来越多的计划正处于起步阶段。
人工智能和非接触式红外热成像技术的实现，用于预测和个性化自动识别不同阶段的橘皮组织
摘要背景橘皮组织是发达国家 85% 至 98% 的青春期后女性会出现的真皮、表皮和皮下组织常见生理状况。红外 (IR) 热成像技术结合基于人工智能 (AI) 的自动图像处理可以检测出早期和晚期橘皮组织，从而实现可靠的诊断。虽然橘皮组织病变的严重程度各不相同，但每个女性的生活质量，无论是在身体还是情感方面，始终是个人关注的问题，因此需要以患者为中心的治疗方法。目的这项研究的目的是制定一种基于红外成像的客观、快速且经济有效的自动识别不同阶段橘皮组织的方法，可用于预筛查和个性化治疗。材料和方法 在本研究中，我们使用定制开发的图像预处理算法自动选择橘皮组织区域，并将总共 9 种特征提取方法与 9 种不同的分类算法相结合，以基于从 212 名年龄在 19 至 22 岁之间的女性志愿者拍摄的热成像图像确定橘皮组织阶段识别的效果。 结果 方向梯度直方图 (HOG) 和人工神经网络 (ANN) 的组合能够确定橘皮组织的所有阶段，平均准确率高于 80%。对于橘皮组织的主要阶段，平均准确率超过 90%。 结论 使用红外成像实现计算机辅助自动识别橘皮组织严重程度对于可靠诊断是可行的。这种组合可用于早期诊断，以及以客观的方式监测橘皮组织进展或治疗结果。红外热成像与人工智能相结合，有望成为评估脂肪团发病机制和分层的有效工具，这对于在预测、预防和个性化医疗 (PPPM) 中实施红外热成像至关重要。
网络游戏障碍早期阶段游戏线索特异性后顶叶失调的横断面和纵向证据
。CC-BY-NC-ND 4.0 国际许可证 它是永久可用的。 是作者/资助者，已授予 medRxiv 许可以显示预印本（未经同行评审认证）预印本 此版本的版权所有者于 2020 年 1 月 24 日发布。；https://doi.org/10.1101/2020.01.18.20018036 doi: medRxiv preprint
数学学习计划：关键阶段 1 和 2 - GOV.UK
我们希望大多数学生能够以大致相同的速度完成学习计划。但是，何时进步的决定应始终基于学生的理解能力和他们是否准备好进入下一阶段。在通过新内容加速学习之前，应该通过向快速掌握概念的学生提供丰富而复杂的问题来挑战他们。那些对早期材料不够熟悉的学生应该巩固他们的理解，包括通过额外的练习，然后再继续学习。
数学学习计划：关键阶段 1 和 2 - GOV.UK
我们希望大多数学生能够以大致相同的速度完成学习计划。但是，何时进步的决定应始终基于学生的理解能力和他们是否准备好进入下一阶段。在通过新内容加速学习之前，应该通过向快速掌握概念的学生提供丰富而复杂的问题来挑战他们。那些对早期材料不够熟悉的学生应该巩固他们的理解，包括通过额外的练习，然后再继续学习。