人工智能深度学习方法在会展智能布展设计中的应用研究

随着信息技术的发展和人工智能技术研究成果的产业化,人工智能在日常生产生活中发挥着越来越重要的作用。特别是人工智能拥有不同于以往的机器和计算机技术的深度学习能力。深度学习是人工智能技术拥有广阔前景的核心支撑力,而其深度学习的方法也能够在某些领域产生特殊的影响。在现代的智能化会展上,人工智能技术得到了广泛运用。而人工智能的核心支撑力所传达出来的深度学习方法对于智能布展设计而言,是非常重要的设计创意灵感来源。而如何从人工智能中的深度学习方法中抽象得出经验和指导意见,推动会展智能布展设计的多元化和智能化,提高布展设计的水平,是本文探讨的主要内容。

指向深度学习的高中人工智能项目式学习表现性评价模型

本文聚焦指向深度学习的表现性评价体系构建,基于情境感知(E)、行动贡献(A)与挑战思维(C)模型,借助过程性画像分析、工程笔记测评、高阶思维答辩,实现对学生认知能力、思维素养、价值观的全面评价,探索高中人工智能项目式学习优化样态。

从ChatGPT到Sora:生成式人工智能如何重塑深度学习场景

生成式人工智能的快速发展正在重塑人类的生产、生活和学习方式。ChatGPT和Sora作为生成式人工智能的典型代表,分别在文本生成和视频制作领域取得了重大突破。这些进步不仅推动了可视化、沉浸式和高度交互式学习环境的发展,也为探索人机双向知识建构下的深度学习路径奠定了坚实的技术基础。人机双向知识建构下的深度学习路径由四个递进且循环的认知阶段组成:激活感知、知识建构、知识迁移和知识创新,涵盖了深度学习的12个具体环节。研究在知识创新阶段引入SECI知识创新扩展模型,将生成式人工智能技术有机融入学习的每一个环节,构建了生成式人工智能重塑的深度学习模型,并基于此模型搭建更加丰富多元的学习场景。为了进一步提升整合效果,提出独立增强型、综合集成型和定制化模型三种策略。这些策略旨在帮助学生实现知识的深入理解、迁移内化和创造,培养高阶思维能力。

人工智能深度学习在乳腺癌病理诊断中的研究进展

乳腺癌是全球女性最常见的癌症。病理诊断是癌症诊断的金标准,但癌症病理诊断过程的复杂性和病理医师的缺乏,为人工智能在乳腺肿瘤辅助诊断领域提供了广阔的机遇。基于深度学习的人工智能使计算机自动处理病理数据并辅助精确诊断成为可能,但目前人工智能在病理诊断领域的应用依旧处于发展初级阶段,并且相关技术的研发仍不完善,其面临的巨大挑战和美好前景并存。本文综述了近几年基于深度学习的人工智能在乳腺癌的常规和术中快速组织病理学诊断、组织学分级、淋巴结转移诊断、分子分型免疫组化定量检测、分子病理学诊断、预测乳腺癌预后这六个方面的应用进展,并讨论其存在的局限性以及实际应用的巨大前景。

生成式人工智能何以构成教育奇点--从深度学习到深度理解

ChatGPT的成功引发了教育界对生成式人工智能广泛而又热烈的讨论。在此背景下,以深度学习为线索对生成式人工智能何以构成教育奇点予以追问,意在从前提上把握生成式人工智能之于教育的突破和局限。从深度学习的突破来看,生成式人工智能之于教育的深层价值在于擘画了指向算法决策的新方向、指向大模型的新范式、指向智能机器的新赛道;从深度学习的局限来看,教育极有可能因为生成式人工智能而面临不可知、不可用和不可信的风险。这对热衷求证生成式人工智能何以构成奇点的教育而言,仍不足以构成可谓确切的答案;但对试图诉诸更有深度的概念、问题、目的以创造奇点的教育而言,却不失为有益的启示。归根究底,与作为时下人工智能重要方向之一的深度学习相比,对人工智能跨领域、长时间、多层次、辩证性的深度理解更有可能引申出教育奇点。

人工智能下学生自主学习方法探究

针对人工智能下学生自主学习的研究是非常有必要的,也是高等教育信息化研究的前沿领域与核心问题。本文从学生自主学习意识、自主学习能力以及自主学习环境三个方面对学生自主学习现状的分析,探讨了人工智能背景下学生自主学习存在资源利用、个性化学习和人机交互三个方面的优势,最终从学习前的定位、学习中的监督管理及学习后的效果评价提出了对应的学生自主学习方法。

基于人工智能技术的电力负荷调度方法研究

随着电力需求的增长和新能源的接入,电力系统面临前所未有的挑战,传统负荷调度方法已无法满足复杂的电力系统需求。本文提出了一种基于人工智能技术的电力负荷调度方法,简称AILD方法。AILD方法综合利用深度学习、强化学习和智能优化技术,实现了电力负荷的精准预测和优化调度。实验结果表明,AILD方法在负荷预测精度、调度效益和算法效率等方面均优于传统方法,为智能电网的发展提供了新的解决方案和思路。

人工智能深度学习在眼眶病及眼肿瘤疾病诊疗中的应用研究现状

近年来,深度学习作为人工智能机器学习的关键分支,在医学领域的应用取得了显著进展。它通过分析医学图像,实现了多种疾病的准确检测、诊断和预后评估。在眼科领域,深度学习技术已经广泛应用于甲状腺相关眼病、眼眶爆裂性骨折、黑色素瘤、基底细胞癌、眼眶脓肿、淋巴瘤、视网膜母细胞瘤等疾病的诊断和预测。这项技术利用计算机断层扫描、磁共振成像甚至病理切片等获得的图像,能够高度准确地进行眼眶病及眼肿瘤疾病的诊断、鉴别和分期分类,其准确度已足以与专业医师媲美。这一技术的应用前景巨大,有望提升相关疾病的诊疗水平,同时减少临床实践所需的时间和成本。本综述汇总了近年来关于人工智能深度学习在眼眶病及眼肿瘤疾病领域应用的最新研究进展,旨在为临床医师提供有关这一领域的最新信息和发展趋势,并进一步促进该技术的临床应用及普及推广。

基于人工智能的深度学习技术在胃癌领域应用的研究进展

近年来人工智能(artificial intelligence,AI)技术发展迅速,是目前各大行业的研究热点,尤其是在医学方面,其中深度学习已广泛应用于医学图像处理和临床肿瘤学分析。根据10年来的研究结果,AI与医学结合能够极大提升医生的工作效率,减轻工作负担,对疾病诊断和分级有更高的敏感度和准确度,对指导手术治疗和提高患者生存率具有重要临床意义。在影像组学方面,AI可以从标准医疗成像中提取并分析图像的向量特征,用于胃癌的淋巴结转移和早期复发情况的预测。同样的,在数字病理学方面,AI也可以通过计算机扫描标准的苏木精-伊红染色组织切片,进行数字化处理,进而运用卷积神经网络来处理图像特征,用于胃癌的病理诊断和治疗前的疗效预测等。内镜技术和AI结合近年来也表现出良好的前景,AI能从内镜视频流和静止图片抓取病变特征和确定病变部位。总而言之,目前在肿瘤领域,AI技术可以协助医生更准确地进行诊断,减少人为误差;也可以判断患者是否能从某种治疗中获益,减轻治疗负担。AI的出现对于医生和患者来说都是一种福音。

人工智能背景下课程思政深度学习效果研究

该文以建构主义理论和深度学习理论为基础构建交互性学习对课程思政深度学习效果的影响模型,探讨其中介作用机制。运用问卷调查法收集数据,验证模型,得出研究结论如下,具身交互、教学性交互和社会性交互正向影响高级思维,具身交互和社会性交互正向影响情感体验,行为参与、认知参与、情感参与起中介作用。

基于人工智能深度学习算法辅助诊断早期ESCC的研究

目的探讨基于人工智能(artificial intelligence,AI)深度学习算法的内镜识别系统在胃镜诊疗过程中对早期ESCC检出率的研究。方法选取中国人民解放军联勤保障部队第九八八医院、中国人民解放军联勤保障部队第九八四医院及中国人民解放军联勤保障部队第九八〇医院三个消化内镜中心2018年6月至2020年6月早期ESCC、ESCC、食管隆起性病变以及食管憩室的白光图像、碘染色图像。通过训练和验证不同的目标检测模型和实例分割模型,最终选取表现最优的目标检测模型Yolov 5和实例分割模型Yolact++共同构建AI“嵌合模型”,评估该模型诊断早期ESCC的性能。结果AI“嵌合模型”对早期ESCC诊断的敏感度为95.60%,特异度为91.60%,准确率为90.70%,均优于单模型。结论本研究构建的AI“嵌合模型”可显著提高早期ESCC的检出率。

结合任务驱动和深度学习的人工智能课程教学探索

针对学生实践能力滞后和人工智能学科快速发展的矛盾,分析人工智能课程的难点和对教学能力的要求,根据任务驱动和深度学习的相互促进关系,提出在教学设计中分别通过知识补充和情境设计来满足达成低阶思维和高阶思维的条件。通过教学实践验证,说明结合任务驱动和深度学习的教学设计方法可以使学生在对知识加强理解的同时提高分析和创新能力。

人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析

学习参与度是表征学生学习参与情况的重要指标,其自动识别方法是研究如何精确刻画学习效果变化动因及进行智慧教学决策的基础。现有研究已发现,学习参与度同情感投入、行为投入与认知投入存在直接关系,利用人工智能实现自动评估具有合理性与必要性。但相关研究数量有限,且主要聚焦在基于图像模态的表情识别领域。真实教学情境中的学习参与度识别应基于多模态数据的采集与分析,具体来说,可采用基于众包的方法建立多模态数据集,设计多模态融合的深度学习分析模型,并通过一致性检验完善模型的数据验证,以提高识别的准确率。因此,开展深度学习的实验研究具有较强的应用价值。该实验截选了中国大学MOOC网上的三门不同学科的视频片段,招募50位被试进行自主学习,每隔3秒自动记录被试脸部图像、脑电波数据和学习日志,初步建立了含3万余条面部表情图片和脑电波数据的多模态数据集,并基于后期融合策略及卷积神经网络结构中的ResNet架构,构建了一个多模态融合深度学习模型,进行模型训练。实验结果显示:该模型对未知被试的学习参与度预测的准确率可达87%,基于多模态的学习参与度识别方法,要优于基于单模态的学习参与度识别方法。

人工智能技术在多媒体安全中的应用策略——评《多媒体与人工智能安全研究极简综述》

信息技术飞速发展,多媒体数据已成为现代社会中信息传播的重要载体。然而由于多媒体数据的易复制性、易篡改性及在网络中的广泛传播,给信息安全带来了新的挑战。人工智能技术为多媒体安全领域注入了新的活力,通过深度学习、机器学习等先进手段,人工智能技术能够高效识别、分析并处理多媒体数据中的安全隐患,为多媒体内容的保护、版权维护及真实性验证提供了强有力的支持。人工智能技术在多媒体安全中的应用实践,既可提升信息安全防护的智能化水平,亦可在维护网络环境健康、促进信息传播秩序、保障个人隐私权益等方面发挥重要作用。

从深度学习到生成式大模型——论影视制作中的人工智能技术

目的:人工智能技术不断发展,在影视制作中的应用越来越广泛,从早期在后期制作中的有限参与发展到介入影视制作全过程,特别是近年来文生图和文生视频等生成式大模型呈现出前所未有的创造性。文章对从深度学习到生成式大模型的关键技术进行深入解析,旨在推动人工智能技术在影视制作中的广泛应用。方法:文章从人工智能技术的跨模态应用出发,深入分析文生图和文生视频等生成式大模型的底层技术结构,并结合深度学习技术的发展进化,对Transformer模型和生成模型进行解析。对Transformer模型,通过与卷积神经网络对比,重点分析其注意力机制的计算优势和向视觉领域的拓展方式。对生成模型,比较了流行的生成对抗网络(GAN)、变分自编码器(VAE)和扩散模型三种类型,并结合生成式大模型分析其应用。结果:Transformer模型以自主力机制改变了深度学习的技术架构,在自然语言处理和视觉领域都取得了极大成功,触发了大模型和跨模态应用。生成式模型是高质量图像生成力的核心,Transformer与生成模型配合,形成了生成式大模型的创新力量。结论:人工智能技术在影视行业引发了极大关注,随着技术的不断升级和创作者的实践探索,人工智能技术将给影视行业带来更大的机遇与挑战。

人工智能深度学习背景下语音识别方法研究

在现代科学技术快速发展的背景下,人们在人工智能方面的研究越来越深入,深度学习的语音识别则是其中十分重要的一个。现阶段传统语音识别系统存在语音识别技术难以达到显著改善、语音识别系统不能够精准提取数据特征两方面问题,为了提高人工智能深度学习背景下语音识别效果,需要强化语音识别系统对特征的识别、重视语音识别模拟练习、增加声学与运动学特征改善语音情感识别。

深度学习与特征参数结合的人工智能辅助传统村落保护规划探索

随着以深度学习为代表的新一代人工智能技术的重大进展,利用人工智能辅助城乡规划设计已成为规划设计行业的关注热点和研究前沿。本文聚焦人工智能辅助传统村落保护规划编制,将深度学习技术在特征识别和快速生成方面的优势,与参数化设计方法在参与性、可控性、可解释性等方面的优势相结合,探索构建以“数据收集-模型训练-互动设计”为框架的人工智能辅助传统村落保护规划方法,并从传统村落三级保护区划定、空间风貌保护与传承、建筑风貌延续等三个方面阐释了智能规划技术在传统村落保护中的应用路径,为传统村落保护规划编制的智能化升级提供新思路。

人工智能深度学习算法可靠性评估方法研究

借鉴针对算法的不同阶段定义多个不同目标满足不同等级的思想,结合深度学习算法的特点,提出构建深度学习算法的可靠性评估指标体系,明确评估流程、各阶段评估内容以及评估指标选取规则,使深度学习算法评估更加科学合理。

人工智能深度学习诊断与预测青光眼的研究进展

近年来,人工智能(AI)技术在青光眼的诊断和管理领域展现出显著潜力。AI能够通过深度学习算法,尤其是卷积神经网络高效分析眼底照相、光学相干断层扫描和标准视野自动检查等临床数据,从而提高青光眼及其引发的视神经损伤的检测灵敏度和特异度,提供更全面的视功能信息,有助于青光眼的早期识别和进展监测;同时,AI技术还能够预测青光眼患者的手术风险,帮助医师在术前制订干预措施。此外,应用AI技术实施的远程医疗能提高偏远地区患者的就诊便利性并降低其就医成本。

基于深度学习的人工智能辅助胃镜下实时识别病变及位置模型的建立

目的构建一个基于深度学习的人工智能辅助诊断模型,用于实时动态识别胃镜下的胃部病变及位置,并评估其对胃部病变检出和位置识别的能力。方法回顾性分析我院104例患者的胃镜检查视频,对视频帧进行人工标注,将已标注的病变类别图片帧按8:2的比例划分成训练集与验证集,将已标注的位置类别图片帧根据患者来源按8:2的比例划分成训练集与验证集,分别用于模型的训练及验证。病变识别部分的训练采用YoloV4模型,位置识别部分的训练采用ResNet152模型。评估辅助诊断模型对病变识别的准确率、敏感度、特异度、阳性预测值、阴性预测值,及对位置识别的准确率。结果共标注图片68351帧,其中训练集图片54872帧,包括病变类别41692帧,位置类别13180帧;验证集图片13479帧,包括病变类别10422帧,位置类别3057帧。在验证集中,病变识别模型的总体准确率为98.8%,敏感度为96.6%,特异度为99.3%,阳性预测值为96.3%,阴性预测值为99.3%;位置识别模型top5总体准确率为87.1%。结论基于深度学习的人工智能辅助诊断模型用于实时动态识别胃镜下胃部病变及位置有较好的病变检出能力和位置识别能力,临床应用前景巨大。