XiaoMi-AI文件搜索系统
World File Search System类图
算法跨性别恐惧症：人类图像中的二进制繁殖
摘要本文解决了人工智能（IA）的影响，在机器观点的一部分，性别识别，强调对持不同政见类型的人的默认和影响，在这项工作中，这是与Corp二进制为男性或女性不同的个人（Preciac，2018）。问题的核心在于对面部特征和视觉模式的分析，以识别性别，这种做法通常基于二进制模式，排除和边缘化性别身份超越这些规范的人。这种偏见的后果是算法跨性别恐惧症的持续性，当被编程以解释这种类型的机器时，可以忽略并排除那些不认同性别归因于出生的个人。从这个意义上讲，我们通过探索性批判性研究提出了算法跨性别恐惧症病例的分析，该研究涵盖了与数字平台上跨性别者形象相关的在线侵略性报告。该研究探讨了2020年至2022年之间的新闻，新闻，博客和投诉渠道。分析确定了新兴类别，解决了与跨性别者形象相关的歧视。理论框架包括有关性别认同的讨论（Foucault，1978; Salih，2012; Butler，2018; Souza 2022）;后数字，平台和机器视觉（Djick; Poell; Poell; Wall，2018; Silva，2021; Storm，2021; Kaufman，2022; Shih，2023年）。结果强调了Tinder中恐惧症的持久性，其中包含Trans*翻译的任意排除。使用投诉中的投诉显示Instagram政策中的矛盾之处，强调了结构性恐惧症。
文章 - 工程、技术和技巧基于卷积深度神经网络的脑肿瘤诊断，使用聚类图像和特征- Sup
摘要：识别和分类胶质瘤脑肿瘤是医学领域的一项艰巨任务，为了延长患者的寿命，尽早识别恶性肿瘤至关重要。已经进行了医学图像分析研究以帮助检测恶性脑肿瘤。为了实现高分类性能，提取的特征必须既具有描述性又具有判别性。机器学习在分类中至关重要，因为它具有灵活性和对不同问题的适应性。我们提出了一种聚类图像和特征支持分类器 (CIFC) 以及一个深度卷积神经网络框架来对脑肿瘤图像进行分类。所提出的模型由各种分类器组成，例如：(i) 原始和分段图像特征支持的分类器；(ii) 原始和分段图像支持的分类器和 (iii) 聚类图像和特征支持的分类器。免费和开放访问的图像数据集 BRATS 2021 用于训练和测试所提出的肿瘤检测系统框架。 CFIC 的表现优于迄今为止提出的几乎所有分类器。所提出的系统的性能指标结果为灵敏度 99.76%、特异性 98.04% 和准确度 99.87%。因此，与其他现有技术相比，所提出的系统结果在肿瘤检测方面表现良好。
基于量子的多类图像分类...
a 计算机科学学院，加拿大国际学院 (CIC)，新开罗，埃及 b 计算机科学系，特洛伊大学科学技术学院，美国 摘要 多类图像分类被认为是计算机视觉中的一项具有挑战性的任务，需要将图像正确地分类到多个不同组之一。近年来，量子机器学习已成为研究人员关注的话题。利用叠加和纠缠等量子概念，量子机器学习算法提供了一种更有效的方法来处理和分类高维图像数据。本文提出了一种使用量子启发式卷积神经网络架构（简称 QCNN）的新图像分类模型。所提出的模型包括两个主要阶段；基于 QCNN 阶段的预处理和分类。采用具有不同特征的七个基准数据集来评估所提出模型的性能。实验结果表明，所提出的 QCNN 优于其经典版本。此外，与最先进的模型相比，结果证明了所提出的模型的有效性。 关键词 1 量子计算、卷积神经网络、图像分类、量子机器学习
量子力学的类图片中经典和量子状态的演变
ErwinSchrödinger与爱因斯坦（Einstein）分享了关于原子过程研究中发现的法律的含义的极大困惑。在他们的Gedankenexperiment [1]中，爱因斯坦，Podolski和Rosen显示了“物理现实的要素”与量子力学中的分离性和独立性的概念之间的相互关系（请参阅最近对这种情况的最新分析[2]）。schrödinger在一系列涉及宏观身体（猫）和量子系统[3]的著名实验的一系列反映中表明了他的困惑，他在其中争论了“常识”之间的冲突，而我们现在将我们称为猫和一些放射性材料之间的纠缠状态。纠缠状态的实验结构通常不是一个琐碎的问题，这就是为什么在被称为“资源理论”的现代理论中被认为是宝贵的资源[4]。在本文中，我们将解决一个问题，该问题强调了先前的一些讨论，其中包括确定是否从由经典和量子部分组成的复合系统开始，并且在可分离状态下，可以通过系统的单一进化来构建纠缠状态。在von Neumann代数理论的背景下，Raggio的定理[5]清楚地表明，这是不可能的，在这种情况下，在这种情况下，经典系统由其可观察的代数描述，这是Abelian von Neumann代数。