探索自闭症情感识别系统的研究现状与未来发展
摘要
本文是一篇关于在自闭症中使用情感识别系统的综述，主要探讨了该领域的研究现状、面临的挑战以及未来的发展方向。文章指出，目前的研究主要集中在面部表情识别方面，但这种方法在自闭症患者中可能存在局限性。因此，未来的研究需要探索更多的情感识别模态，如生理信号、身体语言等。此外，文章还强调了隐私和安全问题的重要性，并提出了一些解决方案。总之，本文为自闭症情感识别系统的研究提供了有价值的参考。
Read more...探索视频引发的评论情感分析：新任务、数据集与基线方法
摘要
本文介绍了一项新的研究任务——视频引发的评论多模态情感分析（MSA-CRVI），旨在根据微视频的评论响应推断观众的情感和情绪。现有视频多模态情感分析主要关注视频中人物的情感表达，而忽视了观众在观看视频时的情感反应。观众情感对于推断公众对视频的反应至关重要，广泛应用于分析公众社会情感、广告效果等领域。为此，作者手动标注了一个名为“微视频评论情感（CSMV）”的数据集，这是目前已知规模最大、视频时长最长的视频多模态情感数据集，包含107,267条评论和8,210个微视频，总时长68.83小时。为了推断评论的情感，作者提出了视频内容感知评论情感分析（VC-CSA）方法作为基线，通过大量实验证明该方法显著优于其他基线方法。
Read more...**革新农业技术：基于视觉基础模型的开放集水果检测系统**
摘要
本文介绍了一种基于先进视觉基础模型（VFMs）的开放集水果检测系统，该系统利用了迄今为止最大的公开多类别水果数据集MetaFruit。水果采摘行业面临劳动力和财务负担，因此需要机器人采摘解决方案的进步。尽管深度学习和机器学习技术在水果检测方面取得了显著进展，但现有模型难以快速适应不同果园或多种水果种类。此外，相关数据的有限可用性进一步加剧了这些挑战。MetaFruit数据集包含4,248张图像和248,015个手动标注实例，覆盖美国多个果园。该研究提出的系统不仅展示了在极少数据上通过少量学习快速学习的能力，还展示了处理人类指令进行精细检测任务的能力。该模型的性能在多个指标上超越了现有最先进算法，为农业技术和机器人采摘设定了新标准。MetaFruit数据集和检测框架已公开，以促进基于视觉的水果采摘及相关应用的未来研究。
Read more...探索大型语言模型的伦理挑战与未来方向：确保AI技术的负责任发展
摘要
本文探讨了大型语言模型（LLMs）在人工智能领域中的伦理问题，特别是围绕隐私、公平性以及模型产生的幻觉等独特挑战。文章强调了LLMs在信息传播中的影响力，并提出了应对这些复杂伦理问题的策略和未来方向，包括跨学科合作和定制化的伦理框架。此外，文章还推荐了动态审计系统以适应多样化的应用场景，旨在引导LLMs的负责任开发和集成，确保AI技术的发展受到伦理考量的约束。
Read more..."Visual Evaluative AI：革新皮肤癌诊断的假设驱动决策工具"
摘要
本文介绍了一种名为“Visual Evaluative AI”的假设驱动决策辅助工具，该工具能够从图像数据中提供支持或反驳特定假设的证据。通过识别图像中的高级人类概念，并生成每个假设的证据权重（Weight of Evidence, WoE），该工具在决策过程中提供了有力的支持。论文特别在皮肤癌诊断领域应用了这一工具，构建了一个基于网络的应用程序，允许用户上传皮肤镜图像，选择假设，并通过提供的证据进行决策分析。此外，论文还展示了不同基于概念的解释方法的有效性。
Read more...自动驾驶新突破：4D雷达数据自动标注方法的革命性进展
摘要
本文由Min-Hyeok Sun等人提出，针对在恶劣天气条件下4D雷达数据集的自动标注问题，提出了一种基于LiDAR的物体检测网络（LODN）的自动标注方法。该方法通过训练LODN来生成4D雷达数据集（如K-Radar）的地面真实标签，从而避免了昂贵且耗时的手动标注过程。实验结果表明，使用自动生成的标签训练的4D雷达物体检测网络（RTNH）在检测性能上与使用手动标注标签训练的RTNH相当，验证了该自动标注方法的有效性。
Read more...Anole：移动设备上的跨场景预测高效DNN模型推理方案
摘要
本文介绍了一种名为Anole的轻量级方案，用于在移动设备上进行本地深度神经网络（DNN）模型推理。Anole的核心思想是首先建立一组紧凑的DNN模型，然后根据当前测试样本的最佳适应性选择模型进行在线推理。该方案的关键在于自动识别模型友好的场景，以便训练特定场景的DNN模型。通过结合人类直觉和特征相似性，设计了一种弱监督场景表示学习算法。此外，还训练了一个模型分类器，用于预测每个测试样本的最佳适应场景特定DNN模型。Anole在不同类型的移动设备上进行了实现，并基于无人机（UAVs）进行了广泛的跟踪驱动和实际世界实验。结果表明，Anole在预测准确性、响应时间和功耗方面均优于使用通用大型DNN的方法。
Read more...探索DDPM-MoCo：革新工业表面缺陷生成与检测的前沿技术
摘要
本文介绍了一种名为DDPM-MoCo的创新方法，用于解决工业表面缺陷生成和检测中的两个关键问题：获取足够有效的数据样本和使用高效便捷的模型训练方法。该方法结合了Denoising Diffusion Probabilistic Model (DDPM)和Momentum Contrast (MoCo)模型，通过生成高质量的缺陷数据样本和利用无监督学习进行模型训练，有效提升了金属表面缺陷的视觉检测能力。实验结果显示，该方法在缺陷生成和检测方面表现出色，为金属加工行业的视觉检测任务提供了有价值的实用见解和应用潜力。
Read more...探索抑郁症检测的新前沿：LMVD数据集与MDDformer架构
摘要
本文介绍了一种名为LMVD的大型多模态Vlog数据集，用于在自然环境中检测抑郁症。该数据集包含1823个样本，总计214小时，来自1475名参与者，从四个多媒体平台（新浪微博、Bilibili、Tiktok和YouTube）收集。论文提出了一种新的架构MDDformer，用于学习个体的非言语行为。通过在LMVD数据集上进行广泛的验证，展示了其在抑郁症检测方面的优越性能。预计LMVD将为抑郁症检测领域提供宝贵的功能。
Read more..."脉冲神经网络中的高效持续学习：压缩潜在重放技术的突破"
摘要
本文介绍了一种在脉冲神经网络（SNNs）中实现持续学习（CL）的新方法，通过压缩潜在重放（LR）技术，有效地减少了资源受限设备的内存需求。该方法通过结合新样本与先前学习数据的潜在表示，缓解了遗忘问题。实验结果显示，在海德堡脉冲数据集（SHD）上，样本增量和类别增量任务的Top-1准确率分别达到了92.5%和92%，同时通过时间域压缩，将重放数据的内存需求减少了两个数量级，最大准确率下降仅为4%。这一研究为边缘计算中的低功耗和高准确率持续学习提供了新的方向。
Read more...Previous Page
152 of 156
Next Page