XiaoMi-AI文件搜索系统
World File Search System子任务
MediaEval 2021 的 EEG 试点子任务概述
MediaEval'2021 的记忆性-EEG 试点子任务旨在通过强调 EEG 数据的效用，促进人们对在预测视频记忆性的背景下使用神经信号（单独使用或与其他数据源结合使用）的兴趣。创建的数据集包括受试者在观看来自预测媒体记忆性子任务 1 的一组视频时从 EEG 记录中预先提取的特征。这个演示试点让感兴趣的研究人员了解如何在没有任何领域知识的情况下使用神经信号，并使他们能够在未来的记忆性任务中这样做。该数据集可用于支持探索预测视频记忆性的新型机器学习和处理策略，同时可能增加人们对记忆性主题的跨学科兴趣，并为新的 EEG-计算机视觉组合方法打开大门。
自动测试设备校准/性能验证评估和研究计划 (JLC/DoD 子任务 30702)：执行摘要第一部分
联合后勤指挥官自动测试小组 国防部计量联合技术协调组 国防部校准协调组 美国空军 ASD/AEGB MATE 计划办公室
https://j https://jrat.safety.army.mil
深思熟虑的风险管理工作表 (DRAW) – 为用户提供创建自己的任务类型、子任务、危险和控制的选项，以及从针对各种预填充的任务类型和非值班活动确定的潜在子任务、危险和控制中进行选择的能力。这使用户有机会捕获他们以前可能没有考虑过的子任务、危险和控制。
cuet_binary_hackers in Climateactivism 2024：仇恨言语事件中基于变形金刚的模型的全面评估和卓越性能
气候变化对我们环境和生活的不断升级促使气候变化行动主义激增。但是，诸如Twitter之类的社交媒体平台的滥用为仇恨激进主义，针对个人，组织或整个社区的仇恨打开了大门。此外，推文中对立场的识别也具有至关重要的意义，尤其是在理解行动主义成功的概述中。因此，为了应对检测此类仇恨推文，确定其目标并从Tweets的立场的挑战，此共享任务引入了三个子任务，每个任务都旨在提及一个提到的问题。我们在所有三个子任务中都涉及，在本文中，我们在不同的机器学习（ML），深度学习（DL），混合动力和基于变压器的模型之间进行了比较分析。我们的方法涉及对模型的适当高参数调整，并通过数据过采样来有效地处理类不平衡数据集。值得注意的是，我们的微调M-Bert在子任务A（仇恨语音检测）中获得了0.91的宏平均F 1分数，在子任务B（目标识别）中达到了0.74。另一方面，气候 - 伯特在子任务中的F 1得分为0.67。这些分数将我们定位在前沿，在各个子任务中获得第1，第6和15位。github 1中提供了任务的详细信息信息。
AILS-NTUA 参加 SemEval-2024 任务 9：破解脑筋急转弯
在本文中，我们概述了我们参加 SemEval-2024 第 9 项竞赛的作品：“脑筋急转弯：一项违背常识的新任务”。我们参与两个子任务：子任务 A - 句子拼图和子任务 B - 单词拼图。我们通过微调评估了大量不同大小的预训练的基于 Transformer 的语言模型。随后，我们对它们的分数和反应进行分析，以帮助未来的研究人员理解和有效地利用这些模型。我们表现最佳的方法在两个子任务的竞赛排行榜上都占据了竞争地位。在评估阶段，我们最好的作品在句子拼图中获得了 81.7% 的平均准确率，在单词拼图中获得了 85.4% 的平均准确率，分别比最佳神经基线 (ChatGPT) 高出 20% 和 30% 以上。
包含光伏集成的电力系统运行和增强规划：
IEA PVPS 任务 14，子任务 3 报告 IEA-PVPS T14-04：2014 年 11 月 作者：Kazuhiko Ogimoto 东京大学工业技术研究所，日本东京
制作包容性和性别意识的能源政策
本文是以用户为中心的能源系统（USESTCP）中性别和能源研究计划的子任务2的输出，该计划是IEA技术协作计划的一部分。该子任务旨在了解社会技术能源系统中系统的惯性，从而阻碍了性别意识策略和干预措施的形成，然后确定对抗惯性的方法。本文介绍了在子任务中进行的三个案例研究的综合，并提供了来自其他来源的一些支持证据。案件研究了欧洲三个国家的能源政策的不同方面。奥地利和瑞典的案例研究对其国家的综合能源和气候计划进行了性别分析（Badieijaryani等，2022； Michael and Hultman，2023）。奥地利和荷兰的案例研究探讨了两名演员在能源政策制定中的性别意识。奥地利案件侧重于能源顾问（Hausner等，2023）和荷兰案（Clancy等，2024）探讨了如何构建能源贫困问题，政策反应是由政策工作者提出的。本文以当前对能量贫困及其性别维度的理解的概述开始。从性别的角度来看，这是对三个国家的能源政策的分析。然后，我们就政策对能源贫困的反应如何更具性别响应性和社会包容性提出一些建议。我们结束了一些良好实践的例子。
在多模式仇恨言语事件检测2024
随着社交媒体平台的迅速崛起，社区能够更方便地与世界分享其兴趣和利益。这又导致了个人能够通过使用模因传播可恨的信息。此类材料的分类不仅需要查看单个图像，还需要考虑串联中的提交文本。观察图像或文本分别提供完整的文本。在本文中，我们描述了我们对案例2024年多模式仇恨言论共享任务的仇恨模因分类的方法。我们在两个子任务中使用了相同的方法，该方法涉及基于使用基于BERT的模型的文本和图像特征的分类模型（剪辑）。然后，我们利用由两个模型在整体方法中创建的预测。这种方法分别在两个子任务中排名第二。
imageclef 2024
随着各种疾病的传播（例如结核病（TB），Covid-19和流感），已经进行了医学研究，以开发和实施病毒的必要治疗方法。但是，目前尚无可用的方法来早日识别此类疾病。需要一种早期诊断方法来提供必要的治疗方法，开发特定的药物并防止患者死亡。因此，近年来已经在医学图像分析研究中投入了大量努力。实际上，专门针对结核病的任务已被用作去年七年的ImageClef评估运动的一部分[1]，[2]，[3]，[4]，[4]，[5]，[6]，[7]，[7]，[8]。在ImageClef 2024中的主要任务[8]，“ ImageClefmed Gans”被视为计算机断层扫描（CT）报告。任务的目的是检测合成生物医学图像数据，以确定在训练中使用了哪些真实图像，以在第一个子任务中产生生成的图像，并在第二个子任务中检测生成的模型。在本文中，我们使用基于U-NET的分割提出肺图像。，并且我们采用卷积神经网络（CNN）模型或视觉变压器（VIT）采用微调的深神经网络模型。此外，第一个子任务是在ImageClef gans使用转移学习的培训数据集，以进行任务1和任务2。本文的新贡献是基于U-NET的肺部分割的新型特征构建技术的主张。在第2节中，我们描述了执行任务和想象中的GANS 2024数据集。在第4节中，我们描述了我们执行的实验。在第3节中，我们介绍了图像实验设置以及本研究中使用的功能。在第5节中，我们提供了结论。