XiaoMi-AI文件搜索系统
World File Search System任务完成
人工智能在妇产科自动化领域的应用——现状评估
数字化期待已久的进展每天都会产生大量的医疗数据，而对这些数据进行手动分析和有针对性的、以患者为中心的评估变得越来越困难甚至不可行。这种状况以及个性化精准医疗日益复杂的相关要求，凸显了整个医疗保健系统对现代软件解决方案和算法的需求。过去几年，几乎所有医学领域都采用了最先进的设备和技术，确实已经使自动化流程至少部分进入了常规临床实践。这类系统利用了各种各样的人工智能 (AI) 技术，其中大多数已经开发用于优化医学图像重建、降噪、质量保证、分类、分割、计算机辅助检测和分类，以及新兴的研究领域放射基因组学。人工智能处理的任务完成得更快、更准确，这一点在 2015 年首次举办的 ImageNet 大规模视觉识别挑战赛 (ILSVCR) 的年度结果中得到了明确证明，错误率远低于人类。这篇评论文章将讨论人工智能在妇产科诊断中的潜在能力和目前可用的应用。本文将特别关注产前超声诊断中的自动化技术。
基于模型的故障诊断的稳健残差生成...
为了保证安全运行和任务完成，必须尽早诊断自动系统中的任何故障。基于模型的技术已被广泛认为是诊断故障的可行且有效的方法，并且需要被监控系统的数学模型。成功的基于模型的故障诊断的先决条件是对建模不确定性具有令人满意的稳健性。本论文研究并进一步发展了稳健残差生成技术在基于模型的故障诊断中的理论和应用，首先研究并回顾了基于模型的故障诊断的基本原理。然后提出了一些设计稳健残差生成器的策略。本论文提出了一种用于稳健残差生成的新型全阶未知输入观测器结构，然后使用该结构设计方向和最小方差残差。然后非常详细地介绍了故障诊断的特征结构分配方法。提出了一种在扰动解耦设计中分配右观测器特征向量的新算法。然后使用扰动解耦残差生成来诊断喷气发动机系统示例中的故障。为了促进这一应用，提出了几种技术来推导近似扰动分布矩阵。这些技术扩大了扰动解耦残差生成方法的应用范围。鲁棒性
在eHealth应用程序开发中可用性测试的方法：范围评论
结果：133条符合纳入标准。用于可用性测试的方法以降低的频率下降为：问卷（n = 105），任务完成（n = 57），'think-aloud'（n = 45），访谈（n = 37），启发式测试（n = 18）和焦点组（n = 13）。大多数研究使用了一项（n = 45）或两种（n = 46）测试方法。其余的结合了三个（n = 30）或四个（n = 12）测试可用性的方法。所有研究都没有使用自动机制来测试可用性。系统可用性量表（SUS）是最常用的问卷（n = 44）。对可用性进行评估的十种最常见的健康状况或疾病如下：心理健康（n = 12），癌症（n = 10），营养（n = 10），儿童健康（n = 9），糖尿病（n = 9）（n = 9），远程医疗（远程医疗（n = 8），n = 8），心血管疾病（n = 6），n = 4 = 4 = 4 = 4 = 4 = 4 = 4） （n = 4）。在少数研究中报告了该应用程序的进一步迭代（n = 41）。使用“ think-aloud”（Pearson Chi-squared测试：χ2= 11.15，p <0.05）和启发式演练（Pearson Chi-Chi-Squared Test：χ2= 4.48，P <0.05）至少与应用程序的另一种迭代效率显着相关。
Minecraft的增强学习友好视觉语言模型
摘要。AI研究界的基本任务之一是建立一个自主体现的代理，该代理可以在各种各样的任务中实现高级绩效。但是，为所有开放式任务获取或手动设计奖励是不现实的。在本文中，我们提出了一种新颖的跨模式对比学习框架 - 夹子4MC，旨在学习加强学习（RL）友好的视觉语言模型（VLM），该模型（VLM）充当开放式任务的无限奖励功能。仅利用视频片段和语言提示之间的模拟性不友好，因为标准VLMS只能在粗级上捕获相似性。为了实现RL友好性，我们将任务完成学位纳入了VLM培训目标，因为这些信息可以根据区分不同状态之间的重要性。此外，我们根据MinedoJo提供的大规模YouTube数据库提供整洁的YouTube数据集。具体来说，两轮过滤操作保证数据集涵盖了足够的基本信息，并且视频文本对高度相关。经验，我们证明了所提出的方法与基准相比，在RL任务上可以更好地进行性能。代码和数据集可在https://github.com/pku-rl/clip4mc上找到。
MUEP：具有基础模型的体现计划的多模式基准
基金会模型表现出了显着的紧急能力，对构成体现的代理商的推理和计划能力持巨大希望。然而，缺乏用于评估复杂环境中具有多模式观测的体现药物的基准，仍然是一个显着的差距。在本文中，我们提出了MUEP，这是一种用于e mbodied p lanning的全面MU ltimodal基准。MUEP促进了在复杂场景中体现药物的多模式和多转弯相互作用的评估，并结合了精细粒度的评估指标，这些指标可为您在整个任务中提供有关体现剂的性能的见解。此外，我们在拟议的基准上评估了具有最新的基础模型，包括大型语言模型（LLMS）和大型多模型模型（LMMS）。实验结果表明，基于环境的文本代表的基础模型通常超过其视觉效果，这表明具有多模式观察的型号计划能力存在差距。我们还发现，控制语言的生成是不可或缺的能力，超出常识性知识，无法进行准确的体现任务完成。我们希望拟议的MUEP基准可以为体现AI的进步与基础模型的发展。
delan：通过跨模式对比学习的视觉和语言导航的双级别对齐
抽象的视觉和语言导航（VLN）要求代理通过遵循自然语言指导在看不见的环境中导航。为了完成任务完成，代理需要对齐和整合各种导航方式，包括指令，观察和导航历史记录。现有作品主要集中在融合阶段的跨模式关注上，以实现这一目标。然而，不同的单键编码器产生的模态特征位于自己的空间中，从而导致跨模式融合和决策的质量下降。为了解决这个问题，我们通过跨模式对比度学习提出了一个指定框架（Delan）框架。该框架旨在在融合之前对齐各种与导航相关的方式，从而增强跨模式的交互和动作决策。具体来说，我们将融合前的对准分为双重级别：根据其语义相关性，指令历史级别和地标性观察水平。我们还重建了双级指令，以适应双级对准。作为融合前对齐的训练信号非常有限，使用自我监督的对比学习策略来实施不同方式之间的匹配。我们的方法与大多数现有模型无缝集成，从而改善了各种VLN基准测试的导航性能，包括R2R，R4R，RXR和CVDN。
基于 DMP 的受扰场景下机器人与人类之间的反应式交接
摘要 交接看似简单，但需要双方共同协调，这通常在动态协作场景中发生。实际上，人类能够适应并响应其伙伴的运动，以确保在受到干扰或中断的情况下无缝交互。然而，关于机器人交接的文献通常考虑的是简单的场景。我们提出了一种基于动态运动原语的在线轨迹生成方法，以实现机器人在受干扰场景中的反应性行为。因此，机器人能够适应人类的运动（如果交接中断，机器人会停止，同时在伙伴轨迹受到轻微干扰的情况下继续前进）。进行定性分析，以证明所提出的控制器在不同参数设置和非反应性实现下的能力。该分析表明，具有反应性参数设置的控制器产生的机器人轨迹在受到干扰的情况下可以被视为更加协调。此外，我们还对参与者进行了一项随机试验，以验证该方法，方法是通过问卷调查评估受试者的感知，同时测量任务完成情况和机器人空闲时间。事实证明，我们的方法可以显著提高交互的主观感知，并且在分析的两组参数之一下，任务性能指标没有出现统计上显着的下降。本文代表了在交接任务中引入明确考虑扰动和中断的反应控制器的第一步。
NSDD 计划指导：数据策略 - 能源部
1.0 NSDD 数据战略概述 1.1 NSDD 使命和与数据和系统相关的战略目标 为实现其使命，即加强伙伴国家阻止、检测和调查放射性和核 (R/N) 材料走私的能力，NSDD 收集并维护大量数据和数据系统（即由 NSDD 资助的数据库、软件和相关工具）。本计划指导旨在制定明确的 NSDD IT 和数据战略，说明该计划如何管理其数据系统。本文档列出了总部的一组优先事项，称为战略目标。 战略目标 1：利用现有的 NSDD 数据系统 评估和使用现有数据和数据系统来最大限度地完成任务并降低成本。 战略目标 2：通过低成本高影响力创新改进现有的 NSDD 数据系统 范围将具有成本效益的想法仅限于改进现有系统，以支持任务完成并降低成本。战略目标 3：简化 NSDD 数据系统治理、政策和监督流程 为 NSDD 数据系统治理、政策和监督流程提供明确的方向，以确保安全、高效、经济地使用 NSDD 资源。 1.2 NSDD 数据战略的愿景 NSDD 数据战略的愿景是充分利用 NSDD 数据和数据系统，加强一个具有分层核安全基础设施的世界，防止 R/N 材料走私。
强制性：以力量捕获系统进行富含接触的操纵的力量仿真学习
摘要 - 在大多数接触式操纵任务中，人类将随时间变化的力应用于目标对象，以补偿视觉引导的手轨迹中的不准确性。，当前的机器人学习算法主要集中在基于轨迹的政策上，而对学习力相关的技能的关注有限。为了解决这一局限性，我们引入了以力为中心的机器人学习系统Forcemimic，提供了一种自然，吸引力和无机器人的机器人示范收集系统，以及用于强大接触富含接触良好的操作的混合力 - 动作模仿学习算法。使用拟议的forcapture系统，操作员可以在5分钟内剥离西葫芦，而力量反馈近距离运行则需要13分钟以上，并且在任务完成方面挣扎。使用收集的数据，我们提议Hybridil训练一个以力为中心的模仿学习模型，该模型配备了混合力位置控制原始的原始性，以适合机器人执行过程中预测的扳手位置参数。实验表明，我们的方法使该模型能够在蔬菜剥离的接触术任务下学习更强大的策略，与基于纯粹的纯粹的模仿学习相比，成功率相对增加了54.5％。硬件，代码，数据和更多结果将在项目网站https://forcemimic.github.io上开放。
NSDD 计划指导：数据策略 - 能源部
1.0 NSDD 数据战略概述 1.1 NSDD 使命和与数据和系统相关的战略目标 为实现其使命，即加强伙伴国家阻止、检测和调查放射性和核 (R/N) 材料走私的能力，NSDD 收集并维护大量数据和数据系统（即由 NSDD 资助的数据库、软件和相关工具）。本计划指导旨在制定明确的 NSDD IT 和数据战略，说明该计划如何管理其数据系统。本文档列出了总部的一组优先事项，称为战略目标。 战略目标 1：利用现有的 NSDD 数据系统 评估和使用现有数据和数据系统来最大限度地完成任务并降低成本。 战略目标 2：通过低成本高影响力创新改进现有的 NSDD 数据系统 范围将具有成本效益的想法仅限于改进现有系统，以支持任务完成并降低成本。战略目标 3：简化 NSDD 数据系统治理、政策和监督流程 为 NSDD 数据系统治理、政策和监督流程提供明确的方向，以确保安全、高效、经济地使用 NSDD 资源。 1.2 NSDD 数据战略的愿景 NSDD 数据战略的愿景是充分利用 NSDD 数据和数据系统，加强一个具有分层核安全基础设施的世界，防止 R/N 材料走私。