XiaoMi-AI文件搜索系统
World File Search System专家级
通过逐步迁移学习在有限数据场景下实现专家级儿童脑肿瘤分割
年龄（岁）中位数（范围） 7 (1 - 23) 8 (1 – 19) 性别 n (%) 女性 84 (45.7%) 53 (53%) 男性 94 (51.1%) 47 (47%) 未知 6 (3.2%) 0 种族/民族 n (%) 非西班牙裔 高加索人/白种人 124 (67.4%) 68 (68%) 非裔美国人/黑人 24 (13.0%) 5 (5%) 西班牙裔/拉丁裔 17 4 (4%) 亚裔美国人/亚洲人 3 (1.6%) 4 (4%) 其他/未知 33 (17.9%) 19 (19%) 组织学诊断 n (%) 毛细胞星形细胞瘤 58 (31.5%) 34 (34%) 毛粘液样星形细胞瘤 10 (5.4%) 0 青少年毛细胞星形细胞瘤 0 13 (13%) 神经节胶质瘤 1 (0.5%) 11 (11%) 少突胶质细胞瘤 1 弥漫性星形细胞瘤 9 (4.9%) 3 (3%) 纤维状星形细胞瘤 13 (7.1%) 0 视神经通路胶质瘤 27 (14.7%) 3 (3%) 其他低级别胶质瘤/星形细胞瘤 65 (35.3%) 36 (36%) 原发肿瘤部位 n (%) 后颅窝 45 (24.5%) 28 (28%) 颞叶 13 (7.1%) 18 (18%) 额叶 7 (3.8%) 2 (2%) 小脑 0 18 (18%) 鞍上 21 (11.4%) 6 (6%) 视神经通路 27 (14.7%) 3 (3%)
使用基于图像表征的深度强化学习在 Gran Turismo Sport 中实现专家级人类驾驶
当人类玩虚拟赛车游戏时，他们会使用游戏屏幕上的视觉环境信息来理解环境中的规则。相比之下，表现优于人类玩家的最先进的逼真赛车游戏 AI 代理不使用基于图像的环境信息，而是使用环境提供的紧凑而精确的测量值。本文提出了一种基于视觉的控制算法，并使用 Gran Turismo Sport (GTS)（一种高保真逼真赛车模拟器）将其与人类玩家在逼真赛车场景中相同条件下的表现进行了比较。在所提出的方法中，构成传统最先进方法中观察结果一部分的环境信息被从游戏屏幕图像中提取的特征表示所取代。我们证明，即使使用游戏屏幕图像作为高维输入，所提出的方法也能在高速驾驶场景下执行专家级的人类车辆控制。此外，它在计时赛任务中的表现优于 GTS 中的内置 AI，其得分使其在约 28,000 名人类玩家中排名前 10%。
参考文献：Muddamsetty, SM、Jahromi, MNS 和 Moeslund, TB (2021)。对医学领域的解释性人工智能（XAI）方法的专家级评估。在 A. Del Bimbo、R. Cucchiara、S. Sclaroff、GM Farinella、T. Mei、M. Bertini、HJ Escalante 和 R. Vezzani (Eds.) 的《模式识别》中。 ICPR 国际研讨会和挑战（第 12663 卷，第 35-46 页）。施普林格出版公司。 https://doi.org/10.1007/978-3-030-68796-0_3
摘要。最近出现的可解释人工智能 (XAI) 领域试图以人类可以理解的术语阐明“黑箱”机器学习 (ML) 模型。随着多种解释方法的开发以及黑箱模型的不同应用，需要专家级评估来检查其有效性变得不可避免。这对于敏感领域（例如医疗应用）非常重要，因为专家的评估对于更好地了解复杂 ML 的结果的准确性以及在必要时调试模型至关重要。本研究的目的是通过实验展示如何利用医疗应用中的专家级 XAI 方法评估并将其与临床医生生成的实际解释保持一致。为此，我们从配备眼动仪的专家受试者那里收集注释，同时他们对医学图像进行分类，并设计一种方法将结果与从 XAI 方法获得的结果进行比较。我们通过多个实验证明了我们方法的有效性。