XiaoMi-AI文件搜索系统
World File Search System训练集
训练集成 La0.15Bi0.85FeO3 中的极化
如此严重的化学取代会扰乱自发极化的幅度和方向，以及 BiFeO 3 的结构和畴结构。[10–12] 因此，与纯 BiFeO 3 相比，La 取代的 BiFeO 3 中的畴结构高度随机化。此外，晶体对称性从菱面体变为单晶。[10,11,13] 规则 BiFeO 3 条纹畴结构的丧失可能会影响与应用相关的特性，例如前述磁电开关过程。由于任何铁性材料的功能都受其畴操纵的支配，因此对集成到电容器架构中的 La 取代 BiFeO 3 进行非侵入性操作研究对于了解取代诱导的畴结构的影响至关重要
机器学习训练集中的图像政治
摘要 通过研究机器学习系统中的分类政治，本文说明了为什么图像的自动解释本质上是一个社会和政治项目。我们首先要问图像在计算机视觉系统中起什么作用，以及计算机可以“识别”图像的说法是什么意思？接下来，我们研究将图像引入计算机系统的方法，并研究分类法如何对决定系统如何解释世界的基础概念进行排序。然后我们转向标签问题：人类如何告诉计算机哪些词与给定图像相关。人工智能系统使用这些标签对人类进行分类的方式有什么利害关系，包括按种族、性别、情绪、能力、性取向和个性进行分类？最后，我们转向计算机视觉在我们的社会中服务的目的——为计算机提供这些能力的判断、选择和后果。从方法论上讲，我们称之为数据集考古学：研究训练图像和标签的物质层，编目构建分类法的原则和价值观，并分析这些分类法如何为人工智能系统创建可理解性参数。通过这样做，我们可以批判性地参与系统的潜在政治和价值观，并分析哪些规范的生活模式被假定、支持和再现。
已发布版本的引文 (APA)：Dudurych, I.、Garcia-Uceda, A.、Saghir, Z.、Tiddens, H. A. W. M.、Vliegenthart, R. 和 de Bruijne, M. (2021)。根据初始气道分割创建人工智能训练集。欧洲放射学实验，5(1)，第 54 条。https://doi.org/10.1186/s41747-021-00247-9
气道分割对于肺部疾病研究很重要，但需要训练有素的专家花费大量时间。我们使用公开可用的软件来改进从人工智能 (AI) 工具获得的气道分割，并重新训练该工具以获得更好的性能。使用之前在丹麦肺癌筛查试验和 Erasmus-MC Sophia 数据集上训练过的 3D-Unet AI 工具从低剂量胸部计算机断层扫描中获得 15 个初始气道分割。在 3D Slicer 中手动校正分割。校正后的气道分割用于重新训练 3D-Unet。自动获取气道测量值，包括从分割中每代计数、气道长度和管腔直径。每次扫描校正分割需要 2 – 4 小时。与初始分割相比，手动校正的分割具有更多分支（p < 0.001）、更长的气道（p < 0.001）和更小的管腔直径（p = 0.004）。与初始分割相比，重新训练的 3D-Unets 的分割趋向于更多分支和更长的气道。从第 6 代开始，气道的变化最大。手动校正可显着改善分割，并且可能是一种有用且省时的方法，可以提高特定医院或研究数据集上的 AI 工具性能。