XiaoMi-AI文件搜索系统
World File Search System视觉识别
人工智能在妇产科自动化领域的应用——现状评估
数字化期待已久的进展每天都会产生大量的医疗数据，而对这些数据进行手动分析和有针对性的、以患者为中心的评估变得越来越困难甚至不可行。这种状况以及个性化精准医疗日益复杂的相关要求，凸显了整个医疗保健系统对现代软件解决方案和算法的需求。过去几年，几乎所有医学领域都采用了最先进的设备和技术，确实已经使自动化流程至少部分进入了常规临床实践。这类系统利用了各种各样的人工智能 (AI) 技术，其中大多数已经开发用于优化医学图像重建、降噪、质量保证、分类、分割、计算机辅助检测和分类，以及新兴的研究领域放射基因组学。人工智能处理的任务完成得更快、更准确，这一点在 2015 年首次举办的 ImageNet 大规模视觉识别挑战赛 (ILSVCR) 的年度结果中得到了明确证明，错误率远低于人类。这篇评论文章将讨论人工智能在妇产科诊断中的潜在能力和目前可用的应用。本文将特别关注产前超声诊断中的自动化技术。
视觉皮层的功能专业化是从训练平行途径中出现的
哺乳动物的视觉系统由平行的分层专业途径组成。不同的途径在使用更适合支持特定下游行为的表示形式方面是专门的。在特定的情况下，最清楚的例子是视觉皮层的腹侧（“ What what”）和背（“ Where”）途径的专业化。这两种途径分别支持与视觉识别和运动有关的行为。至今，深度神经网络主要用作腹侧识别途径的模型。但是，尚不清楚是否可以使用单个深ANN对两种途径进行建模。在这里，我们询问具有单个损失函数的单个模型是否可以捕获腹侧和背途径的特性。我们使用与其他哺乳动物一样的小鼠的数据探讨了这个问题，这些途径似乎支持识别和运动行为。我们表明，当我们使用自我监督的预测损失函数训练深层神经网络体系结构时，我们可以在拟合鼠标视觉皮层的其他模型中胜过其他模型。此外，我们可以对背侧和腹侧通路进行建模。这些结果表明，应用于平行途径体系结构的自我监督的预测学习方法可以解释哺乳动物视觉系统中看到的一些功能专业。
通过自然人类互动的增强现实增强的机器人秘密系统
Telekinesis在科幻文学和电影中通常描绘，是一种超级力量，用户可以控制和操纵物理互动中没有物体。在现实世界中，增强人与机器人相互作用需要与机器人臂合成人类直觉过程。本文介绍了一个机器人的远程操作系统，该系统实现了电信作业的本质，将增强现实（AR）的深刻能力与机器人手臂的操作相结合。利用AR，提出的方法为操作员提供了视觉反馈，从而促进了一定程度的控制，超过了自然接口的能力。通过使用AR驱动的视觉识别，该系统在虚拟环境中实现了操作，随后通过机器人臂在现实世界中实现。通过多个实验，我们发现该系统在远程运动操作中的错误幅度很小，满足了远程操作的需求。此外，我们的系统可以在现实世界中的对象上运行。这些实验强调了遥控系统通过AR和机器人臂的整合来帮助人类完成更广泛的任务的能力，从而提供了一种天然的人类 - 机器人相互作用方法。
![arxiv：2305.04536v2 [CS.CV] 2024年6月18日](/simg/g:\will\search\icon\source\9\954ae78a6188e649adb8f41247881a246a455e8d.webp)
arxiv：2305.04536v2 [CS.CV] 2024年6月18日
长尾的多标签视觉识别（LTML）任务是由于标签共发生和不平衡的数据分布，这是一项极具挑战性的任务。在这项工作中，我们为LTML提出了一个统一的框架，即促使特定于班级的嵌入损失（LMPT）进行调整，从而通过结合文本和im im Im operational数据来捕获语义功能相互作用，并在头部和尾部同步改进型号。具体来说，LMPT通过班级感知的软边距和重新投资介绍了嵌入式损失函数，以学习特定的班级上下文，并带有文本描述（字幕）的好处，这可以帮助建立类之间的语义关系，尤其是在头和尾部之间。fur-hoverore考虑到类失样的类别，分配平衡的损失被用作分类损失函数，以进一步提高尾部类别的性能而不会损害头部类别。在VOC-LT和可可-LT数据集上进行了广泛的实验，这表明我们的方法显着超过了先前的最新方法，而LTML中的零拍夹。我们的代码在https：//github.com/richard-peng-xia/lmpt上完全公开。
肺结节的机器学习评估
AI 被定义为计算机科学的一门学科，其重点是创造能够感知世界并表现得像人类的机器 (13)。最初的 AI 算法用于简单的数据分析，由程序员硬编码，无法识别未专门编程的模式 (14)。ML 是 AI 的一个子领域，其中算法可以识别和学习复杂数据集中的模式以产生智力预测，而不是通过显式编程 (14,15)。然而，大多数传统的 ML 算法仍然需要人工输入，并且此类算法能够评估的模式仍然相当简单。DL 可以被概念化为 ML 的一类，其中算法基于人工神经网络组织成许多处理层，类似于人脑。医学成像最常用的 DL 模型是卷积神经网络 (CNN) (16)（图 1），最初由 Fukushima 于 1980 年描述 (17)。LeCun 等人于 1989 年首次描述了使用反向传播训练 CNN 进行图像识别 (18)。2012 年，Krizhevsky 等人首次使用图形处理单元 (GPU) 训练 CNN 对物体进行分类，并因此赢得了 ImageNet 大规模视觉识别挑战赛 (19)。CNN 不需要人工干预即可进行复杂的数据分析 (20)。CNN 模仿人类大脑，神经元组织成多层 (21)
估计国际边界的可读性
社会科学的研究人员对越来越多的机构的后果感兴趣。可能在国家之间进行协商的机构可能会在微观上产生后果，因为当地人口调整了他们的期望，甚至最终甚至最终将其行为考虑到机构规则。然而，大尺度的细粒分析测试了该机构本地机构的复杂证据很少见。本文侧重于关键机构：国际边界。使用计算机视觉技术，我们表明可以产生特定地理，验证和可复制的方式来表征边界的透明度，这意味着我们意味着能够视觉检测物理空间中国际边界的存在。我们开发和比较了计算机视觉技术，以自动估计来自世界上每个边界的627,656个图像瓷砖的可读性得分。我们评估了统计和数据驱动的计算机视觉方法，发现在一小部分人类判断的一小部分审计的视觉识别模型中，我们能够在全球范围内产生与人类可读性概念良好相符的局部知名度得分。最后，我们将这些分数解释为国家边界取向的有用近似，这一概念以前的文献用来捕获国家在边境地区进行的可见投资，以维持管辖权的领土。我们使用人类判断和五个法令验证指标来验证我们的测量策略。
循环神经网络可以解释生物视觉中速度和准确性的灵活权衡
视觉的深度前馈神经网络模型在计算神经科学和工程领域都占据主导地位。相比之下，灵长类动物的视觉系统包含丰富的循环连接。循环信号流能够随着时间的推移回收有限的计算资源，因此可能会提高物理上有限的大脑或模型的性能。这里我们展示：（1）在自然图像的大规模视觉识别任务中，循环卷积神经网络模型的表现优于参数数量匹配的前馈卷积模型。（2）设置一个置信度阈值，在该阈值处，循环计算终止并做出决策，可以灵活地以速度换取准确性。在给定的置信度阈值下，该模型会在更难识别的图像上花费更多的时间和精力，而无需额外的参数进行更深入的计算。（3）与几个参数匹配和最先进的前馈模型相比，循环模型对图像的反应时间可以更好地预测人类对同一图像的反应时间。 (4) 在置信度阈值范围内，循环模型模拟了前馈控制模型的行为，因为它以大致相同的计算成本（浮点运算的平均次数）实现了相同的精度。但是，循环模型可以运行更长时间（更高的置信度阈值），然后胜过参数匹配的前馈比较模型。这些结果表明，作为生物视觉系统的标志，循环连接对于理解人类视觉识别的准确性、灵活性和动态性可能至关重要。
计算机视觉和图像分析技术的分析
似乎我们的大脑使视觉识别非常容易。对于人类而言，不需要任何努力，可以看到狗和猫，汽车和飞机之间的区别，读取标志或识别人的脸。但是，计算机视觉和图像识别又如何容易地解决计算机的图像识别问题？绝对不是，实际上有一些困难的问题，需要解决，以教授计算机识别图像：它们仅用于初次视图很容易，我认为这是因为我们的大脑非常擅长理解图像。但是，试想一下，使用计算机视觉可以改善人类生活的多少领域。最常见的使用领域是制造业，例如质量控制，当您开始制造业务时，您需要质量控制部门，但是如果使用计算机视觉替换该部门，该怎么办，涉及更多的人创造一些新事物，我认为这项业务将更加有利可图。这就是为什么，最近几年的机器学习领域在计算机视野领域取得了巨大进展。这一进度的要点是创建用于图像识别的数学方法，这将为我们带来很高的精度结果。如今，最受欢迎的是IR，特别是卷积神经网的深度学习技术，此方法比傅立叶变换（例如傅立叶变换）更先进。通过这些技术，通过涉及该领域的深度学习方法，可以实现这些技术的显着提高准确性。准确率接近95％。（通常是根据人类对数据集进行分类的方式来测量的。）因此，请记住，如果您没有研究基于深度学习的图像识别和对象检测
人工智能的内存处理电路概述......
摘要 —人工智能 (AI) 和机器学习 (ML) 正在彻底改变许多研究领域，例如视觉识别、自然语言处理、自动驾驶汽车和预测。传统的冯诺依曼计算架构具有分离的处理单元和存储设备，随着工艺技术的扩展，其计算性能一直在迅速提高。然而，在人工智能和机器学习时代，存储设备和处理单元之间的数据传输成为系统的瓶颈。为了解决这个数据移动问题，以内存为中心的计算采用了将存储设备与处理单元合并的方法，以便可以在同一位置进行计算而无需移动任何数据。内存处理 (PIM) 引起了研究界的关注，因为它可以通过最小化数据移动来显着提高以内存为中心的计算系统的能源效率。尽管 PIM 的好处被广泛接受，但它的局限性和挑战尚未得到彻底研究。本文全面研究了基于各种存储设备类型（例如静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM) 和电阻式存储器 (ReRAM)）的最先进的 PIM 研究工作。我们将概述每种存储器类型的 PIM 设计，涵盖位单元、电路和架构。然后，我们将讨论一种新的软件堆栈标准及其将 PIM 与传统计算架构相结合所面临的挑战。最后，我们将讨论 PIM 的各种未来研究方向，以进一步减少数据转换开销、提高测试准确性并最大限度地减少内存内数据移动。
灌木丛清除年度通知
我为什么会收到此通知？您的房产位于林业和消防局 CAL FIRE FHSZ Viewer (ca.gov) 确定的火灾危险严重区域内，或曾被洛杉矶县消防局确定为潜在火灾危险。什么是极高、高和中等火灾危险严重区域，谁来确定这些区域？火灾危险严重区域根据多种因素表明某片土地上存在潜在火灾危险，包括植被、地形、最坏天气条件、火灾历史、预测火焰长度、燃烧概率和余烬投射。根据加州公共资源法 4201-4204，CAL FIRE 受命对州内所有土地进行分类。消防局从哪里获得权力进行防御空间检查？加州公共资源法典 4291 (PRC 4291) 定义了以下检查要求：“在山区、森林覆盖的土地、灌木覆盖的土地、草地覆盖的土地或覆盖有易燃材料的土地上或毗邻这些土地上拥有、租赁、控制、经营或维护建筑物或结构的人，应始终做到以下所有事情：”我的房产周围没有灌木丛，为什么要检查我？ 如果您的房产位于指定的火灾危险严重区域内，则需要进行检查。由于余烬，这包括开发区内没有与建筑物紧邻的空地（原生植被）的建筑物。 为什么这是我第一次收到此通知？ 可用的 GIS 技术和地图程序允许消防部门识别火灾危险严重区域内的所有地块。在将 GIS 技术集成到检查程序之前，建筑物是通过火灾历史和视觉识别来识别的。新技术可以提高准确性，一些建筑物是首次被识别。