XiaoMi-AI文件搜索系统
World File Search System细微
使用嵌入式聚类策略提取纹理特征并描绘边界，检测 MRI 中的细微白质病变
白质病变 (WML) 是多种脑部疾病的根源，而自动 WML 分割对于评估自然病程和临床干预措施（包括药物研发）的有效性至关重要。尽管最近的研究在 WML 分割方面取得了巨大进展，但准确检测疾病早期出现的细微 WML 仍然特别具有挑战性。在这里，我们提出了一种使用强度标准化技术、灰度共生矩阵 (GLCM) 嵌入聚类技术和随机森林 (RF) 分类器自动分割轻度 WML 负荷的方法，以提取纹理特征并识别特定于真正 WML 的形态。我们通过局部离群值因子 (LOF) 算法精确定义它们的边界，该算法通过相对于其邻居的局部密度偏差来识别边缘像素。该自动化方法已在 32 名人类受试者身上进行了验证，结果显示，通过类内相关性 (ICC = 0.881，95% CI 0.769, 0.941) 和皮尔逊相关性 (r = 0.895，p 值 < 0.001)，与神经放射科医生的手动描绘具有很强的一致性和相关性（排除一个异常值），并且在 MICCAI 大挑战赛中定义的六个既定关键指标中的五个方面优于三种领先算法（修剪均值异常值检测、病变预测算法和 SALEM-LS）。通过促进对细微 WML 的更精确分割，该方法可以实现更早的诊断和干预。
ConvAbuse：对话式 AI 中细微检测的数据、分析和基准
辱骂性语言检测已在社交媒体上受到广泛关注（例如，参见Vidgen 等人，2020a ），但在对话系统的背景下关注的较少。正如联合国教科文组织（West 等人，2019 ）所言，检测和减轻对这些（通常拟人化的）人工智能系统的辱骂对于避免强化负面的性别刻板印象非常重要。在本报告之后，最近的几项研究调查了可能的辱骂缓解策略（Cercas Curry 和 Rieser ，2018 ，2019；Chin 和 Yi ，2019；Ma 等人，2019 ）。然而，这些研究的结果尚无定论，因为它们不是在实时系统或真实用户身上进行的——主要是因为缺乏可靠的滥用检测工具。目前部署的大多数系统都使用简单的关键字识别技术（例如Ram 等人，2018 年； Khatri 等人，2018 年），这往往会产生大量误报，例如用户表达沮丧或使用亵渎语言的情况
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
合成 DNA 与生物安全：预测致病性的细微差别以及筛选寡核苷酸的新计算方法的动力
DNA 合成技术推动了合成生物学领域的快速发展，该领域涉及新型生物成分的设计和制造。DNA 合成技术的巨大前景是毋庸置疑的，但它被故意或意外滥用的可能性也不容忽视。为了生物安全，美国卫生与公众服务部 (HHS) 于 2010 年发布了《合成双链 DNA 供应商筛查框架指南》，呼吁双链 DNA (dsDNA) 商业供应商自愿筛查所有订单。最值得注意的是，一组名为国际基因合成联盟 (IGSC) 的 dsDNA 合成公司已根据 HHS 指南实施了协调筛查协议 (HSP)。虽然 IGSC 所有成员并未使用单一的 DNA 筛查算法，但 DNA 筛查软件通常遵循 HSP 指南，将查询序列与相对较短的生物毒素列表进行比对，并选择药剂基因组、基因或蛋白质。我们在此描述了当前筛选过程中涉及的挑战、改进的想法，以及说明为什么克服当前的进步障碍如此关键的示例。
MIL-STD-461G 亮点和不为人知的细微之处
第 4.3.5.1 节（金属接地平面）新增了全新的图 5，要求从测试设置边界的边缘到接地平面的边缘的任何方向都有 2.5 米的距离，而标准早期版本中为 1.5 米。更改是基于希望接地平面位于整个设置、各种测试中使用的天线下方，并且任何此类天线背面以外的距离仍被接地平面覆盖。另请注意，图 5 将看起来像卡车或其他有轮车辆的东西（但不应该如此）替换为看起来像电子外壳的东西。始终强调 MIL-STD-461 适用于设备和子系统，而不是平台，这一点很重要。此外，电缆布置在桌面接地平面上方 5 厘米处，而不是“F”中那样的地板上方 5 厘米处。