XiaoMi-AI文件搜索系统
World File Search System交互进行
MMCFormer：用于脑肿瘤分割的缺失模态补偿变换器
人类脑肿瘤，更具体地说是神经胶质瘤，是最危及生命的癌症之一，通常由神经胶质干细胞异常生长引起。实际上，磁共振成像 (MRI) 模态提供不同的对比度来阐明组织特性，提供有关大脑结构的全面信息以及检测肿瘤的潜在线索。因此，多模态 MRI 通常用于诊断脑肿瘤。然而，由于获取的模态集可能因临床部位而异，脑肿瘤研究可能会遗漏一两种 MRI 模态。为了以端到端的方式解决缺失信息，我们提出了 MMCFormer，一种新颖的缺失模态补偿网络。我们的策略建立在 3D 高效转换器块之上，并使用共同训练策略来有效地训练缺失模态网络。为了确保多尺度特征一致性，MMCFormer 在编码器的每个尺度上都使用全局上下文一致性模块。此外，为了传输特定于模态的表示，我们建议在瓶颈阶段加入辅助标记，以对完整和缺失模态路径之间的交互进行建模。最重要的是，我们包括特征一致性损失，以减少网络预测中的域差距并提高缺失模态路径的预测可靠性。在 BraTS 2018 数据集上进行的大量实验证明了我们的方法与竞争方法相比的优势。实现代码可在 GitHub 上公开获取。关键词：Transformer、缺失模态、分割、MRI、医学。
瘫痪患者通过眨眼就能发出声音
印度卡纳塔克邦 - 560074 摘要 以前，残疾患者无法交流和阅读，因此与外界的联系是通过人机交互进行的；例如跟踪眼部运动和监测脑电波。现在，人们不太愿意使用脑部运动监测设备，因为患者必须佩戴它。我们的项目是专门为 MND 患者设计的智能系统。如果患者在床上患有 MND 疾病，则无法与护理提供者交谈。在本研究中，一个组件支持向他人寻求帮助，因为它既是基本又是休闲的方法，旨在帮助 MND 患者。本研究为残疾患者（主要是残疾人）提供了一种辅助设备。每个人都知道残疾患者无法与外界交流，因此该系统帮助他们用自己的眼睛交流并通过护理人员满足他们的需求。与当前结果相比，它同样能提供有效而准确的结果。如果监护人不在场或患者的需求不满足，则会向其亲属发送一条消息，其中包含患者所需的先决条件。企业可以利用此研究通过虚拟键盘进行密码验证，其中依赖于闪烁与虚拟键盘中的特定组件的单独比较。我们的研究重点是开发一种实时视频处理方法，该方法可以完全独立于头部方向（白天或晚上）识别眼睛的眨动。根据与患者先决条件相关的闪烁，识别患者并将其转换为语音并作为输出提供。除此之外，还创建了一个消息警报系统，以便监护人和亲属能够更熟悉患者的先决条件。关键词：——运动神经元病 (MND)、眨眼、视频处理、瘫痪、消息、警报、要求、虚拟键盘。
深入强化学习基于钢生产线的维护决策
洛林大学，法国克兰。电子邮件：phuc.do@univ-lorraine.fr在4.0行业中，采用系统监控技术提供了有关系统健康状况的大量数据，这引发了采用基于条件的维护（CBM）的挑战。 由于其能力基于其嵌入式状况监测设备实时采用系统，这可以帮助降低O＆M成本并提高系统可用性，因此CBM已成为行业竞争力的一种相关方法。 但是，要利用大量数据在维护决策中的优势，要考虑的一个重要问题是国家和行动的巨大空间，这很难应对传统的维护模型。 为了克服这个问题，将机器学习和人工智能的新兴工具整合到维护决策和优化中似乎是有希望的。 因此，这项工作提出了对钢生产线的基于深入的加固学习（DRL）的维护优化，其中维护决策是根据有关系统状况的实时数据做出的。 研究的生产线使用金属废料作为钢材制造的原材料。 在使用之前，需要将废料粉碎在切碎机器中，这是最关键的过程。 当机器关闭以进行维护操作时，使用中间的缓冲区来继续为其余站提供碎屑。 建立了模拟模型，以模拟生产线的动态。 关键字：深钢筋学习，维护，钢生产线，模拟模型电子邮件：phuc.do@univ-lorraine.fr在4.0行业中，采用系统监控技术提供了有关系统健康状况的大量数据，这引发了采用基于条件的维护（CBM）的挑战。由于其能力基于其嵌入式状况监测设备实时采用系统，这可以帮助降低O＆M成本并提高系统可用性，因此CBM已成为行业竞争力的一种相关方法。但是，要利用大量数据在维护决策中的优势，要考虑的一个重要问题是国家和行动的巨大空间，这很难应对传统的维护模型。为了克服这个问题，将机器学习和人工智能的新兴工具整合到维护决策和优化中似乎是有希望的。因此，这项工作提出了对钢生产线的基于深入的加固学习（DRL）的维护优化，其中维护决策是根据有关系统状况的实时数据做出的。研究的生产线使用金属废料作为钢材制造的原材料。在使用之前，需要将废料粉碎在切碎机器中，这是最关键的过程。当机器关闭以进行维护操作时，使用中间的缓冲区来继续为其余站提供碎屑。建立了模拟模型，以模拟生产线的动态。关键字：深钢筋学习，维护，钢生产线，模拟模型然后建立一个DRL框架，以通过与环境的交互进行学习，以找到最低维护成本的最佳维护政策。进行了数值案例研究，以评估所提出的DRL维护方法与常规维护策略相比。结果，提出的DRL方法在成本以及系统可用性的增加方面显示出更好的结果。
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。