XiaoMi-AI文件搜索系统
World File Search System检测技术
利用眼睛的新时代视觉检测技术...
摘要：眼动追踪是指跟踪眼球运动并确定用户注视点的过程。本文的目的是讨论用于眼动追踪的各种技术。测量眼球运动使用多种技术，包括测量电信号和光电信号、跟踪眼球图像中的不同视觉特征、测量红外 (IR) 光的相对成像以及使用机械或光学开关或磁场。本文还涉及与选择特定眼动追踪技术相关的因素。最后，它涉及眼动追踪系统的一些用途的重点。眼球追踪是计算机视觉领域中最具有挑战性的问题之一。本文的目的是介绍远程眼动追踪运动方面的最新研究成果。
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
使用异常检测技术进行机队健康监测
1 ONERA DTIS，图卢兹大学，图卢兹，法国；luis.basora@onera.fr (L.B.); paloma.bry@protonmail.com (P.B.); xavier.olive@onera.fr (X.O.)2 荷兰皇家航空公司，邮政信箱 7700，1117 ZL Schiphol，荷兰，Floris.Freeman@klm.com (F.F.)* 通信地址：luis.basora@onera.fr † 当前地址：2 avenue Édouard Belin, 31055 Toulouse CEDEX 4, France.‡ 这些作者对本作品的贡献相同。
阿尔茨海默病检测技术和方法
与阿尔茨海默病 (AD) 相关的大脑病理变化可以通过神经影像学测量。在过去的几年中，这些测量方法在分类框架的帮助下迅速融入到阿尔茨海默病 (AD) 的特征中，这些分类框架为诊断和预后提供了工具。这是一项基于神经影像学和认知障碍分类的阿尔茨海默病综述研究。这项工作是对 AD 领域特别是计算机辅助诊断领域已发表工作的系统综述。成像方式包括 1) 磁共振成像 (MRI) 2) 功能性 MRI (fMRI) 3) 扩散张量成像 4) 正电子发射断层扫描 (PET) 和 5) 淀粉样蛋白-PET。研究表明，基于特征的分类标准在诊断疾病方面显示出良好的效果，并有助于临床进展。用于 AD 诊断的最广泛使用的机器学习分类器包括支持向量机、贝叶斯分类器、线性判别分析和 K-最近邻以及深度学习。研究表明，深度学习技术和支持向量机在阿尔茨海默病的识别方面具有更高的准确性。本文还讨论了可能面临的挑战以及未来的发展方向。DOI：10.9781/ijimai.2021.04.005
AI引导的缺陷检测技术，以建模单晶
摘要。从过程发展的角度来看，通过化学蒸气沉积的钻石生长取得了显着的进步。但是，挑战在实现高质量和大区域材料生产方面持续存在。这些困难包括控制整个生长表面的均匀生长速率的控制条件。随着生长的进展，出现了各种因素或缺陷状态，改变了统一条件。这些变化会影响生长速率，并导致微观尺度上的晶体缺陷形成。但是，使用生长过程中拍摄的图像鉴定这些缺陷状态及其几何形状存在明显的方法。本文使用现场光学图像详细介绍了缺陷分割管道的开创性工作，以识别指示宏观上可见的有缺陷状态的特征。使用以前工作中应用的语义分割方法，这些缺陷状态和相应的导数特征是由其像素掩码隔离和分类的。使用注释以注释的人体软件体系结构来生成培训数据集，并使用主动学习，数据增强和模型辅助标记的模块进行选择性数据标记，我们的方法可实现有效的注释准确性，并大大降低了按幅度降低标签的时间和成本。在模型开发方面，我们发现基于深度学习的算法是最有效的。他们可以准确地从功能丰富的数据集中学习复杂的表示。基于Yolov3和DeepLabv3plus体系结构，我们表现最佳的模型为特定的特定特征实现了出色的精度。具体来说，中心缺陷的精度为93.35％，多晶缺陷的92.83％，边缘缺陷达到91.98％。
不要边睡觉边开车——大众的疲劳检测技术
不要边睡边开车 – 大众的疲劳检测技术 von Jan, T.; Karnahl, T.; Seifert, K.; Hilgenstock, J.; Zobel, R. 摘要 本文深入研究了大众为辅助驾驶员而开发的创新型驾驶员状态监控系统。 该系统旨在帮助驾驶员在驾驶时妥善管理自己的体力和精神资源。 本文首先解释了开发该系统的动机，然后讨论了所观察的身体和认知状态的特点以及系统硬件和软件组件。 读者将深入了解预测算法的经验推导。 本文还介绍了初步客户调查的结果。 1 车祸中的人为因素 众所周知，人为错误是许多事故的致病因素。 然而，驾驶员错误有各种方面，对这些方面的分析可用于得出更好的人机交互工程解决方案。已经提出了各种方案作为分析人为失误的基础，其中包括 Norman (1981)、Rasmussen (1982) 和 Reason (1990)。人为失误是由于感知、信息解释、决策、信息回忆和直接执行动作方面的缺陷造成的。然而，注意力和疲劳等一般身体和认知方面也起着重要作用，因为它们会影响其他认知过程。驾驶员的状态对任何时间点的性能储备都有着至关重要的影响，从而影响着决定驾驶员安全驾驶车辆能力的条件。事故统计数据为驾驶员疲劳可能产生的影响提供了严峻的证据。疲劳造成的事故百分比在 5% 到 25% 之间，具体取决于个别研究。这些事故的一个基本特征是伤害严重程度不成比例，如图表 (图 1) 所示。这种现象的解释可以直接从疲劳的影响中得出。当驾驶员疲劳时，他们无法采取任何措施来避免事故（尤其是刹车或转向）。疲劳会削弱感知能力和做出反应的能力，也会降低实际行动的执行力。
主题演讲：桩基动力检测技术 - Fondytest
在过去的 12 年中，桩基动态测试的技术方面发展迅速，尽管不如解释和建模方面发展得那么快。这反映了在桩基动态测试领域创造实践突破而非理论突破的更高挑战。据观察，理论发展源于创新的测试和测量方法。在这个关头，预计更高质量的测量将成为未来十年测试实践发展的关键方面之一。本文试图总结桩基动态测试的当前最新技术方面。在讨论了桩基动态测试的一些基本原理之后，回顾了以下内容：测试方法、加载设备和测量，包括它们的获取和解释。桩基动态测试可以定义为使用动态效应（即通过质量和加速度的干预在桩内、桩外或桩边界产生力或应力）对桩进行测试。桩与加速（或减速）质量之间最常见的动态相互作用发生在打桩过程中，这促使应力波理论应用于桩基。根据这种撞击过程中发生的现象的一维公式，向下传播的波（q）和向上传播的波（t）可以表示桩的行为（De St. Venant，1867 年；Isaac，1931 年）。这些波以速度 c 传播，由表达式 c = ,/FJp 给出，其中 E 和 p 是杨氏
主题演讲：桩基动力检测技术 - Fondytest
在过去的 12 年中，桩基动态测试的技术方面发展迅速，尽管不如解释和建模方面发展得那么快。这反映了在桩基动态测试领域创造实践突破而非理论突破的更高挑战。据观察，理论发展源于创新的测试和测量方法。在这个关头，预计更高质量的测量将成为未来十年测试实践发展的关键方面之一。本文试图总结桩基动态测试的当前最新技术方面。在讨论了桩基动态测试的一些基本原理之后，回顾了以下内容：测试方法、加载设备和测量，包括它们的获取和解释。桩基动态测试可以定义为使用动态效应（即通过质量和加速度的干预在桩内、桩外或桩边界产生力或应力）对桩进行测试。桩与加速（或减速）质量之间最常见的动态相互作用发生在打桩过程中，这促使应力波理论应用于桩基。根据这种撞击过程中发生的现象的一维公式，向下传播的波（q）和向上传播的波（t）可以表示桩的行为（De St. Venant，1867 年；Isaac，1931 年）。这些波以速度 c 传播，由表达式 c = ,/FJp 给出，其中 E 和 p 是杨氏
主题演讲：桩基动态检测技术 - Fondytest
在过去 12 年中，桩基动态测试的技术方面发展迅速，尽管速度不如解释和建模方面那么快。这反映了在桩基动态测试领域创造实践突破而非理论突破的更高挑战。据观察，理论发展源于创新的测试和测量方法。在此关头，预计更高质量的测量将成为未来十年测试实践发展的关键方面之一。本文试图总结桩基动态测试的当前最新技术方面。在讨论了桩基动态测试的一些基本原理之后，回顾了以下内容：测试方法、加载设备和测量，包括其获取和解释。桩动态测试可以定义为使用动态效应（即通过质量和加速度的干预在桩内、桩外或桩边界产生力或应力）的桩测试。桩与加速（或减速）质量之间最常见的动态相互作用发生在打桩过程中，这促使应力波理论应用于桩。根据这种冲击过程中发生的现象的一维公式，向下传播的波（q）和向上传播的波（t）可以表示桩的行为（De St. Venant，1867 年；Isaac，1931 年）。这些波以速度 c 传播，由表达式 c = ,/FJp 给出，其中 E 和 p 是杨氏
研究生成式 AI 模型和检测技术
包括 ChatGPT、Gemini 和 Claude 在内的生成式 AI 模型在加强 K-12 教育方面发挥着越来越重要的作用，为各个学科提供支持。这些模型为人文学科提示提供示例答案，解决数学方程式并集思广益提出新颖的想法。尽管它们具有教育价值，但人们担心它们可能会误导学生在完成作业、评估或研究论文时直接从 AI 中抄袭答案。当前的检测器（例如 GPT-Zero）难以识别经过修改的 AI 生成的文本，并且对于以英语为第二语言的学习者而言，其可靠性会降低。本研究调查了在高风险写作评估中使用生成式 AI 来检测学术作弊行为。经典机器学习模型（包括逻辑回归、XGBoost 和支持向量机）用于区分 AI 生成的论文和学生撰写的论文。此外，我们还研究了包括 BERT、RoBERTa 和 Electra 在内的大型语言模型，并将其与传统机器学习模型进行了比较。分析重点关注 ASAP Kaggle 竞赛中的提示 1。为了评估各种检测方法和生成式 AI 模型的有效性，我们包括 ChatGPT、Claude 和 Gemini 的基本版本、专业版本和最新版本。此外，我们还研究了 GPT-Humanizer 和 QuillBot 等释义工具的影响，并介绍了一种使用同义词信息检测人性化 AI 文本的新方法。此外，我们还探讨了数据集大小与模型性能之间的关系，以便为未来研究中的数据收集提供参考。