XiaoMi-AI文件搜索系统
World File Search System特征识别
使用ESP32CAM和OCR分析使用MATLAB
对有效和智能能源管理系统的日益增长的需求促使了精致技术的进步，以实时监视用电。这项研究介绍了使用ESP32CAM微控制器的远程监视系统，并采用光学特征识别（OCR）分析，提供了全面的解决方案，用于远程监控电表。该系统利用ESP32CAM微控制器（以其功率和多功能性而闻名）来捕获电表的定期图像。随后，将OCR分析用于从捕获的图像中提取数值数据，例如仪表读数，从而增强自动化和准确性，同时最大程度地减少手动干预。所提出的系统的关键元素包括配备摄像头的ESP32CAM模块，用于捕获图像捕获，集成的无线连接用于远程通信以及OCR算法，以进行有效的数据提取。该系统设计为适应性，可容纳在住宅，商业和工业环境中常见的各种类型的电表。远程监视的功能授权用户通过用户友好的界面访问用电消耗的实时数据，从而促进了有关能源管理的知情决策。此外，该系统具有主动维护的潜力，通过通知用户的不规则性或电力消耗模式的异常情况。建议的远程监控系统提供了一种具有成本效益的可扩展解决方案，以提高电力消耗监控的效率。通过合并ESP32CAM和OCR分析的功能，该系统为远程监视建立了一个可靠的平台，有助于智能和可持续的能源管理实践的发展。
用于精神分裂症识别的多核胶囊网络
摘要 — 精神分裂症严重影响生活质量。迄今为止，简单（例如线性判别分析）和复杂（例如深度神经网络）机器学习方法都已用于基于功能连接特征识别精神分裂症。现有的简单方法需要两个独立的步骤（即特征提取和分类）来实现识别，这使得无法同时调整以获得最佳特征提取和分类器训练。复杂方法集成了两个步骤，可以同时调整以实现最佳性能，但这些方法需要大量的数据进行模型训练。为了克服上述缺点，我们提出了一种多核胶囊网络（MKCapsnet），它是通过考虑大脑解剖结构而开发的。将内核设置为与大脑解剖结构的分区大小相匹配，以捕捉不同尺度的区域间连接。受深度学习中广泛使用的 dropout 策略的启发，我们在胶囊层中开发了胶囊 dropout 以防止模型过度拟合。比较结果表明，所提出的方法优于最先进的方法。此外，我们比较了使用不同参数的性能，并说明了路由过程以揭示所提出方法的特点。MKCapsnet 在精神分裂症识别方面很有前景。我们的研究首先利用胶囊神经网络分析磁共振成像 (MRI) 的功能连接，并提出了一种考虑大脑解剖分区的新型多核胶囊结构，这可能是揭示大脑机制的一种新方法。此外，我们在参数设置中提供了有用的信息，这对进一步使用胶囊网络进行其他神经生理信号分类的研究很有帮助。
SaS-BCI：一种预测图像记忆性并使用心理意象作为基于大脑的生物特征认证的新策略
摘要 安全认证是信息安全最重要的层面之一。如今，人体生物特征识别技术是用于认证目的的最安全方法，它涵盖了密码和 PIN 等旧式认证方式存在的问题。最近的生物特征识别技术在安全性方面有很多优势；然而，它们仍然存在一些缺点。技术的进步使得一些特定的设备成为可能，因为它们都是可见和可触摸的，因此可以复制和制作假的人体生物特征识别。因此，需要一种新的生物特征识别技术来解决其他类型的问题。脑电波是人体数据，它将其用作一种新型的安全认证方式，吸引了许多研究人员的关注。有一些研究和实验正在调查和测试脑电图信号以发现人类脑电波的独特性。一些研究人员通过应用不同的信号采集技术、使用脑机接口 (BCI) 进行特征提取和分类，在这一领域取得了很高的准确率。任何 BCI 过程的一个重要部分是获取和记录脑电波的方式。本文针对脑信号的授权和认证过程提出了一种新的信号采集策略。这是通过预测用户大脑中的图像记忆能力，将心理意象用作安全认证的可视化模式。因此，用户可以通过在脑海中可视化特定图片来验证自己的身份。总之，我们可以看到脑电波会根据心理任务而有所不同，这使得将它们用于认证过程变得更加困难。基于大脑的认证有许多信号采集策略和信号处理，通过使用正确的方法，可以实现更高的准确率，适合将脑信号用作另一种生物特征安全认证。
有关信息提取的全面调查
摘要：信息提取（IE）是自然语言处理（NLP）和计算机视觉的基本任务，旨在自动从非结构化数据源（例如文本，图像和视频）中提取结构化信息。本文对各种IE技术进行了全面的调查，重点介绍了指定的实体识别（NER），关系提取（RE）和意见分类。我们讨论了基于规则的，无监督，监督和深度学习方法，以突出其优势和局限性。此外，我们还探讨了IE在不同应用中的作用，包括学术文献数据库，商业智能，医疗保健，专利分析和客户服务。此外，我们研究了应用于图像和视频的IE方法，涵盖了视觉关系检测，光学特征识别（OCR）和自动视频摘要。本文还解决了诸如域适应，模棱两可，数据隐私和计算效率之类的挑战。最后，我们概述了未来的研究方向，强调了多模式IE的整合，深度学习的进步和实时处理。关键字：信息提取（IE），命名实体识别（NER），关系提取（RE），意见分类，基于特征的监督学习，IE深度学习，文本挖掘，光学角色识别（OCR）和自然语言处理（NLP）。I.简介信息提取（IE）是从非结构化或半结构化数据源（例如文本文档，图像和视频）中自动识别，提取和构造相关信息的过程。它涉及将原始数据转换为有意义的结构化表示形式的技术，从而促进了下游任务，例如知识图构造，问题答案和信息检索[1]。IE主要着重于提取特定类型的信息，包括：
人工智能在眼科领域的应用
人工智能 (AI) 正在利用机器学习 (ML) 和深度学习 (DL) 技术，特别是人工神经网络 (ANN) 和卷积神经网络 (CNN) 来模拟人类大脑功能并通过数据曝光提高准确性，从而改变眼科。这些人工智能系统在分析眼科图像以进行早期疾病检测、提高诊断精度、简化临床工作流程以及最终改善患者预后方面特别有效。本研究旨在探索人工智能在青光眼、角膜疾病和眼整形领域的具体应用和影响。本研究回顾了眼科当前的人工智能技术，研究了 ML 和 DL 技术的实施。它评估了人工智能在早期疾病检测、诊断准确性、临床工作流程增强和患者预后方面的作用。人工智能显著促进了各种眼部疾病的早期发现和管理。在青光眼方面，人工智能系统提供了标准化、快速的疾病特征识别，减少了观察者内和观察者之间的偏差和工作量。对于角膜疾病，AI 工具增强了角膜炎和圆锥角膜等疾病的诊断方法，改善了早期发现和治疗计划。在眼整形领域，AI 有助于诊断和监测眼睑和眼眶疾病，促进精准的手术计划和术后管理。AI 与眼科的结合通过提高诊断精度、简化临床工作流程和改善患者治疗效果，彻底改变了眼科护理。随着 AI 技术的不断发展，其在眼科领域的应用有望不断扩大，为各种眼部疾病的诊断、监测、治疗和手术结果提供创新解决方案。
剖析预
应对农业领域的紧迫挑战需要迅速推进育种计划，特别是对于葡萄等多年生作物。我们超越了传统的双亲数量性状基因座 (QTL) 定位，进行了一项全基因组关联研究 (GWAS)，涵盖了智利育种计划中的 588 个葡萄品种，跨越三个季节并测试了 13 个关键的产量相关性状。一个强有力的候选基因 Vitvi11g000454 位于第 11 号染色体上，与植物通过茉莉酸信号对生物和非生物胁迫的反应有关，与浆果宽度有关，并有可能在葡萄育种中提高浆果大小。我们还在 2、4、9、11、15、18 和 19 号染色体上定位了与采后性状相关的新型 QTL，拓宽了我们对决定果实采后行为（包括腐烂、皱缩和重量减轻）的遗传复杂性的了解。利用基因本体注释，我们在性状和仔细研究的候选基因之间进行了比较，为未来植物育种中的性状特征识别工作奠定了坚实的基础。我们还强调了在 GWAS 分析中仔细考虑响应变量选择的重要性，因为在我们的研究中使用最佳线性无偏估计量 (BLUEs) 校正可能导致葡萄性状中一些常见 QTL 被抑制。我们的研究结果强调了开拓长期保存性状的非破坏性评估技术的必要性，为葡萄育种者和栽培者提供了改善采后鲜食葡萄质量和减少浪费的见解。
癌症治疗与诊断科人员名册
DCTD 主任办公室 生物特征识别研究计划 癌症诊断计划 癌症成像计划 癌症治疗评估计划 发展治疗学计划 放射研究计划 转化研究计划 癌症临床蛋白质组学研究办公室 癌症补充和替代医学办公室 DCTD 主任办公室 James H. Doroshow 博士 部门主任 Toby Hecht 博士 部门副主任 Jibran Ahmed 博士 医师 Smitha Antony 博士 健康科学管理员 Brooke Augustine 女士 护理专家 Alice Chen 博士 早期临床试验开发负责人 Jason Cristofaro 博士 知识产权项目经理 Andre De Souza 博士 高级临床研究员 Michael Difilippantonio 博士 项目主任 Murielle Hogu 女士 护理专家 Julie Hong 女士 项目分析师 Lynne Huang 博士 高级知识产权顾问 Leah Hubbard 博士 DCTD 劳动力战略顾问 John Giraldes 先生 健康科学家/项目经理 Brian Ko 博士 临床研究员 Jena Kidwell 女士 项目分析师 Ning Ma 女士 执业护士 Nicole Monteiro 女士 项目专家 Nancy Moore 女士 护士专家 Barbara Mroczkowski 博士 主任特别助理 Jessica Mukherjee 女士 执业护士 Mary Jane Ong 女士 护士专家 Hannah Pak 女士 部门主任秘书 Eileen Resnick 博士 科学传播专家
笔和纸CS教育的手写代码识别
通过让学生手工编写课程来教授计算机科学（CS）具有关键的教学优势：它可以集中学习，并且与使用智能支持工具或“只是尝试”的整体开发环境（IDE）相比，需要仔细思考。笔和纸的熟悉环境也减少了没有以前没有计算机经验的学生的认知负担，而这些计算机的基本用法可能会令人生畏。最后，这种教学方法为获得计算机访问权限的学生打开了学习机会。但是，一个关键的障碍是目前缺乏用于使用手写程序和运行手写程序的教学方法和支持软件。手写代码的光学特征识别（OCR）具有挑战性：较小的OCR错误，可能是由于各种手写样式，很容易使代码不运行，并且识别凹痕对于像Python这样的语言至关重要，但由于不一致的水平间距很难在手写上进行。我们的方法是两种创新的方法。第一个将OCR与凹痕识别模块和一种用于后官方误差校正的语言模型相结合，而无需引入幻觉。据我们所知，这种方法在手写代码识别中超过了所有现有的系统。，由于对学生计划的逻辑修复程序的最小幻觉，它将误差从艺术状况减少到5％。第二种方法利用了多模式模型来识别端到端时尚中的手写程序。我们发布了手写程序和代码的数据集，以支持未来的研究1。我们希望这项贡献能够刺激进一步的教学研究，并有助于使CS教育易于获得。
人工智能驱动的 COVID-19 放射图像评估
人工智能 (AI) 方法在 COVID-19 感染的诊断和预后方面具有巨大潜力。快速识别 COVID-19 及其在个体患者中的严重程度有望更好地控制个体和整体疾病。科学界对使用影像生物标志物来改善 COVID-19 的检测和管理表现出浓厚兴趣。基于 AI 的模型等探索性工具可能有助于解释复杂的生物学机制，并更好地理解潜在的病理生理过程。本综述重点介绍基于 AI 的 COVID-19 研究，包括胸部 X 光 (CXR) 和计算机断层扫描 (CT) 成像模式及其相关挑战。显式放射组学、深度学习方法以及结合深度学习和显式放射组学的混合方法有可能增强放射图像在当前 COVID-19 大流行中协助临床医生的能力和实用性。本综述的目的是：首先，概述 COVID-19 AI 分析工作流程，包括数据采集、特征选择、分割方法、特征提取以及适用于基于 AI 的 COVID-19 研究的多变量模型开发和验证。其次，讨论了基于 AI 的 COVID-19 分析的现有局限性，强调了可以进行的潜在改进。最后，总结了 AI 和放射组学方法的影响及其相关的临床结果。在本综述中，详细阐述了包括基于 AI 的 COVID-19 特征识别关键步骤的流程。样本量、非标准成像协议、分割、公共 COVID-19 数据库的可用性、成像和临床信息的结合以及全面的临床验证仍然是主要的局限性和挑战。我们得出结论，基于 AI 的 CXR 和 CT 图像评估具有作为 COVID-19 诊断、随访和预后的可行途径的巨大潜力。
关于统计方法和机器学习在空间科学中的应用的研究主题的社论
2021 年 5 月 17 日至 21 日，由空间科学研究所 (SSI) 数据科学中心 (CDS) 主办、美国国家科学基金会 (NSF) 赞助的完全虚拟会议“统计方法和机器学习在空间科学中的应用”举行 (http://spacescience.org/workshops/mlconference2021.php)。此次活动汇集了空间科学各个学科（如太阳物理学和高空物理学、行星和系外行星科学、地质学、天体生物学和天文学）和行业的专家，以利用统计学、数据科学、人工智能 (AI) 方法和信息理论方面的进步，旨在利用这些领域的海量数据改进分析模型及其预测能力。这次多学科会议为行业专业人士、高级科学家、早期职业研究人员和学生提供了一个充满活力的论坛，让他们使用各种高级统计学技术和方法展示他们的最新成果，以增强他们对人工智能最新趋势的了解，并参与未来合作的平台。会议涵盖了广泛的研究主题，例如高级统计方法、深度学习和神经网络、时间序列分析、贝叶斯方法、特征识别和特征提取、结合机器学习（ML）技术的物理模型和代理模型、空间天气预报和应用人工智能的其他领域的研究主题、模型验证和不确定性量化、空间等离子体中的湍流和非线性动力学、物理信息神经网络、信息论以及数据重建和数据同化。自 20 世纪 90 年代以来，人工智能方法已经应用于日地物理领域的各种问题（ Newell 等，1991 ；Lundstedt，1992 ；Lundstedt，1996 ；Wintoft 和 Lundstedt，1997 ；Wing 等，2005 ；Lundstedt，2006 ）。其中包括极光粒子沉降的分类、太阳风速度的预测、地磁扰动和行星 K 指数 K p ，用于表征