人工智能囊胚形态评估数据集构建与质控专家共识

囊胚形态人工智能(AI)评估是AI医疗器械发展的新兴方向,也是AI在辅助生殖领域的重要应用。AI在新领域应用的起步阶段,数据集的构建与质控对产品质量有重要影响。目前,囊胚形态学AI评估在数据采集、标注、质控等方面尚未形成统一的规范。在参考AI医疗器械、辅助生殖医疗器械现有国家行业标准的基础上,本文以囊胚形态AI评估数据集为主题,对数据集构建与质控要求进行了探讨,对数据集质量特性进行了解析,旨在指导数据集制造责任方加强数据集全生命周期管理,更好地为产品研发、测试、临床试验等环节提供质量保障,助力产业发展。

依据MBD技术的船舶数据集定义与标注方法

依据基于模型定义(Model Based Definition,MBD)技术开展船舶数据集定义与标注方法研究。介绍MBD技术和MBD数据集,提出船体专业和舾装专业的船舶MBD数据集定义方法及船舶MBD数据集标注方法,为造船企业应用MBD技术提高船舶生产设计水平提供参考。

面向人工智能的传统音乐标注数据集构建研究——兼论多模态胡琴标注数据集的建设与应用

当前人工智能在音乐方面的研究和应用主要集中在西方古典音乐和流行音乐等领域。以世界各地的传统音乐为对象的相关研究仍然处于初级阶段,其中一个主要原因是缺乏高质量的数据集和标注规范。文章从数据的内容、标注和应用等方面,探讨了传统音乐标注数据集的发展现状。基于对当前研究的深入分析,文章提出了面向人工智能的音乐标注数据集的构建原则,并针对传统音乐的特点加以阐述。在此基础上,以第一个中国胡琴音乐标注数据集(CCOM-HuQin)为例介绍了数据集在人工智能领域的研究成果和应用前景。文章强调了人工智能应用于传统音乐的意义不仅在于辅助创作和表演,更是为了促进传统音乐的保护、传承和发展。

基于平行交互注意力网络的中文电子病历实体及关系联合抽取

基于电子病历构建医学知识图谱对医疗技术的发展具有重要意义,实体和关系抽取是构建知识图谱的关键技术。该文针对目前实体关系联合抽取中存在的特征交互不充分的问题,提出了一种平行交互注意力网络(PIAN)以充分挖掘实体与关系的相关性,在多个标准的医学和通用数据集上取得最优结果;当前中文医学实体及关系标注数据集较少,该文基于中文电子病历构建了实体和关系抽取数据集(CEMRIE),与医学专家共同制定了语料标注规范,并基于该文所提出的模型实验得出基准结果。

基于深度学习的分心驾驶行为检测方法

针对现有分心驾驶行为检测方法存在的检测精度低、实时性差等问题,利用基于深度学习的目标检测方法进行了驾驶员分心驾驶行为检测,首先构建分心驾驶行为数据集,包括驾驶员使用手机、饮水和吸烟3种行为的图像,并进行目标物的标注,然后选用轻量化目标检测模型NanoDet进行训练验证,结果表明,该方法可以准确并快速地识别出驾驶员在驾驶过程中使用手机、饮水和吸烟的行为。

一种学术文献图表位置标注数据集构建方法

【目的】提出用于学术文献的尺寸自适应模板匹配算法,快速构建大规模学术文献图表位置标注数据集。【方法】PubMed Open Access数据集提供文献和图表的图片格式文件,解析文献内容,匹配文献页面和图表的图片格式文件,对页面和图表的图片格式文件进行特征提取,对特征点进行匹配,定位图表位置。【结果】使用本文方法对测试数据集进行标注实验,精确率为98.87%,F1值为97.44%。【局限】匹配文献页面和图表的图片格式文件的算法仅使用简单的关键词匹配方式,性能仍有提升空间。【结论】本文算法能够快速地构造学术文献图表位置数据集,节省大量人力时间成本。

结合对象分割的运动行人检测

目标检测大量应用于监控系统的行人检测以及人脸识别,是当前深度学习的研究热点.监督学习利用人工标注大量数据集训练出针对特定场景的行人检测器.但是人工标注方法费时费力,本文针对监督学习需要人工标注数据集的缺点,研究了一种半自动标注行人的方法.针对静止的单目摄像机拍摄的监控视频,利用光流信息提供的初始前景可能性,以及跨越时间的视觉相似性来迭代地更新初始的前景可能性,分割出运动的行人,根据分割的前景对象,提出了一种半自动标注行人的方法.实验结果显示,本文的方法可以为行人检测系统提供大量数据集,且效率上明显优于传统人工标注的方法.

结合对象分割和深度学习的运动行人检测

针对传统的人工标注大量训练数据集存在的成本高、效率低、难以满足大型行人检测系统检测要求的问题,研究一种半自动标注行人的方法。以静止的单目摄像机拍摄的监控视频图像为对象,利用背景差分以及显著性检测方法将前景、背景分离,提取出前景目标。试验结果表明,相对于传统的人工标注数据集的方法,该方法能提高数据集标注的效率,形成的数据库可以为行人检测系统提供数据。

结合区域检测和注意力机制的胸片自动定位与识别

胸部X光片(以下简称胸片)是胸部相关疾病的常用诊断手段,具有辐射量低、速度快、价格低廉等优点,但样本数量巨大,所以开发基于人工智能的、对胸片进行自动识别、分类以及定位的系统具有重大的应用价值.由于胸片拍摄设备不同、胸片质量参差不齐、涉及疾病众多,尤其是缺乏标注框数据集等问题,将深度学习用于胸片的疾病检测和定位仍是一项具有挑战性的任务.为此构建了胸片标注框数据集Chest‐box,该数据集中包含3952张阳性胸片和9960个标注框.基于此数据集,提出并训练了一个区域检测网络模型,用于提取胸片中所有可能的病变区域,即图像处理领域中的感兴趣区域.以区域检测网络提取的感兴趣区域为注意力信息,进一步发展了DenseNet卷积网络和注意力机制相结合的方法,通过融合原始胸片和感兴趣区域的特征,使模型更专注于感兴趣区域,再对疾病进行识别和定位.在ChestX‐ray14数据集上的测试表明,该网络模型相比之前的工作,具有极佳的分类性能,并能提供更好的疾病定位信息.