XiaoMi-AI文件搜索系统
World File Search System人工识别
通过预训练卷积神经网络进行脑肿瘤诊断和分类
摘要 — 脑肿瘤是最具侵袭性的肿瘤，如果在晚期才诊断出来，则会导致预期寿命缩短。人工识别脑肿瘤非常繁琐，而且容易出错。误诊会导致错误治疗，从而降低患者的生存机会。医学共振成像 (MRI) 是诊断脑肿瘤及其类型的常规方法。本文试图从诊断过程中消除手动过程，而使用机器学习来代替。我们提出使用预训练的卷积神经网络 (CNN) 来诊断和分类脑肿瘤。使用一类非肿瘤 MRI 图像对三种类型的肿瘤进行分类。已使用的网络是 ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1。EfficientNet 由于其可扩展性而显示出有希望的结果。EfficientNetB1 显示出最佳结果，训练和验证准确率分别为 87.67% 和 89.55%。索引词——脑肿瘤、诊断、分类、预训练 CNN、卷积神经网络
用于具有边缘计算的实时视频分析系统的分布式 AI 嵌入式集群
IHS Markit | Technology通过分析过去15年监控摄像头的年度出货量，预计截至2019年底全球投入使用的摄像头数量为7.7亿颗，未来两年安装的摄像头数量将达到10亿颗以上[1]。基于人脸和车辆算法的人工智能已经在公安、交通等各个领域得到广泛应用。人工智能如何应用于智能交通行业是一个新的研究方向。目前，桥梁、岛、隧道的养护都是通过各种传感器和视频数据进行人工判断。随着桥梁行业的快速发展，各种传感器被快速部署，想要实现人工识别难度极大。随着人工智能技术的进步，特别是计算机视觉技术和神经网络技术的进步，人工智能辅助工程师对桥梁各种传感器数据和视频监控进行研判的可能性已经显现出来。但与此同时，云端AI模型在桥梁场景中的应用也暴露出一些问题，例如数据隐私、网络带宽限制、对时延的苛刻要求等。