- Αρχική
- Τεχνητή νοημοσύνη
Τεχνητή νοημοσύνη
Επιστημονικές Δημοσιεύσεις Ανοικτής Πρόσβασης
Periocular biometrics and its relevance to partially masked faces: A survey
Sharma, R.; Ross, A.
Computer Vision and Image Understanding, Volume 226, January 2023, 103583, https://doi.org/10.1016/j.cviu.2022.103583
Sharma, R.; Ross, A.
Computer Vision and Image Understanding, Volume 226, January 2023, 103583, https://doi.org/10.1016/j.cviu.2022.103583
Available online 14 November 2022
Η περιοφθαλμική περιοχή είναι ένα από τα πιο πολλά υποσχόμενα βιομετρικά χαρακτηριστικά για την ανθρώπινη αναγνώριση. Αποτελείται από μία περιοχή γύρω από τα μάτια που περιλαμβάνει τα φρύδια, τα βλέφαρα, τις βλεφαρίδες, τις πτυχές των ματιών, το σχήμα των ματιών και την υφή του δέρματος. Η σημασία της τονίζεται περισσότερο κατά τη διάρκεια της πανδημίας COVID-19 λόγω των καλυμμένων προσώπων. Έτσι, αυτό το άρθρο παρουσιάζει μια λεπτομερή ανασκόπηση της περιοφθαλμικής βιομετρίας για την κατανόηση της τρέχουσας κατάστασής της.
Our weird behavior during the pandemic is screwing with AI models
Will Douglas Heaven
MIT Technology Reviews, Artificial intelligence, May 11
11 May 2020
Κατά τη διάρκεια της πανδημίας COVID-19, έχουν επηρεαστεί ακόμα και οι αλγόριθμοι μηχανικής μάθησης στην τεχνητή νοημοσύνη. Τα μοντέλα μηχανικής μάθησης που εκπαιδεύονται στη “φυσιολογική” ανθρώπινη συμπεριφορά διαπιστώνουν τώρα ότι το φυσιολογικό έχει αλλάξει και μερικά παρουσιάζουν προβλήματα, αναγκάζοντας τους ανθρώπους να επέμβουν για να τα ευθυγραμμίσουν. Παραδείγματα αλγορίθμων στην καθημερινή ζωή είναι αυτοί που τρέχουν πίσω από τα παρασκήνια για τη διαχείριση αποθεμάτων, τον εντοπισμό απάτης, το μάρκετινγκ και άλλα.
Mask Recognition with Computer Vision in the Age of a Pandemic
Jones, D.; Christoforou, C.
34th International Florida Artificial Intelligence Research Society Conference, FLAIRS-34 2021 ; 34, 2021, https://doi.org/10.32473/flairs.v34i1.128486
Jones, D.; Christoforou, C.
34th International Florida Artificial Intelligence Research Society Conference, FLAIRS-34 2021 ; 34, 2021, https://doi.org/10.32473/flairs.v34i1.128486
2021-04-18
Σε αυτό το άρθρο, προτείνεται μια λύση στο πρόβλημα της παρακολούθησης της χρήσης μάσκας, βασισμένη στην υπολογιστική όραση. Συγκεκριμένα, προτείνεται ένα συνελικτικό νευρωνικό δίκτυο για την αναγνώριση εικόνων ανθρώπων που φορούν μάσκες σωστά, ανθρώπων που φορούν μάσκες με λάθος τρόπο και ανθρώπων που δεν φορούν καθόλου μάσκες.
Alexander Gruen,a Karl R. Mattingly,b Ellen Morwitch,a Frederik Bossaerts,b Manning Clifford,c Chad Nash,b John P. A. Ioannidis,d and Anne-Louise Ponsonby
eBioMedicine, Volume 96, October 2023, 104783, https://doi.org/10.1016/j.ebiom.2023.104783
Available online 12 September 2023
Η πρόσφατη πανδημία COVID-19 τόνισε τις προκλήσεις των παραδοσιακών προβλέψεων. Οι αγορές πρόβλεψης είναι ένας πολλά υποσχόμενος τρόπος για τη δημιουργία συλλογικών προβλέψεων και θα μπορούσαν ενδεχομένως να βελτιωθούν εάν υψηλής ποιότητας εισροές πληθοπορισμού προσδιορίζονταν και σταθμίζονταν για την ακρίβειά τους σε πραγματικό χρόνο με χρήση της μηχανικής μάθησης.
Huda Makhluf, Henry Madany and Kenneth Kim
Diagnostics 2024, 14(7), 711, https://doi.org/10.3390/diagnostics14070711
Published: 28 March 2024
Στην παρούσα ανασκόπηση εξετάζονται τα συμπτώματα της μακροχρόνιας COVID, οι προταθείσες θεωρίες πίσω από την παθολογία, τη διάγνωση και τις θεραπείες καθώς και οι κλινικές δοκιμές που βρίσκονται σε εξέλιξη για τη διερεύνηση των θεραπειών έναντι του εμμένοντος ιού, των αυτόνομων και γνωστικών δυσλειτουργιών, των διαταραχών ύπνου, της κόπωσης και της δυσανεξίας στην άσκηση.
Emily R Pfaff, Andrew T Girvin, et al.
The Lancet Digital Health, 2022, https://doi.org/10.1016/S2589-7500(22)00048-6.
The Lancet Digital Health, 2022, https://doi.org/10.1016/S2589-7500(22)00048-6.
Available online 16 May 2022
Χρησιμοποιώντας το αποθετήριο ηλεκτρονικών αρχείων υγείας του National COVID Cohort Collaborative (N3C), αναπτύχθηκαν μοντέλα μηχανικής μάθησης XGBoost για τον εντοπισμό πιθανών ασθενών με μακρά COVID
Χρησιμοποιώντας το αποθετήριο ηλεκτρονικών αρχείων υγείας του National COVID Cohort Collaborative (N3C), αναπτύχθηκαν μοντέλα μηχανικής μάθησης XGBoost για τον εντοπισμό πιθανών ασθενών με μακρά COVID
Identifying High-Risk Workspaces during COVID-19 using Machine Learning
Drennan, L.; Lozano, J.; Chesser, M.; Carrier, E.
34th International Florida Artificial Intelligence Research Society Conference, FLAIRS-34 2021 ; 34, 2021, https://doi.org/10.32473/flairs.v34i1.128484
2021-04-18
Drennan, L.; Lozano, J.; Chesser, M.; Carrier, E.
34th International Florida Artificial Intelligence Research Society Conference, FLAIRS-34 2021 ; 34, 2021, https://doi.org/10.32473/flairs.v34i1.128484
2021-04-18
Παρουσιάζουμε ένα μοντέλο ικανό να εντοπίζει χώρους εργασίας υψηλού κινδύνου για μετάδοση της νόσου COVID-19 και επεξηγούμε πώς οι υπάρχουσες τεχνικές για τον ποσοτικό προσδιορισμό της αβεβαιότητας στη μηχανική μάθηση μπορούν να εφαρμοστούν για την εκτίμηση της αξιοπιστίας αυτών των προβλέψεων.
Downes, D.J., Cross, A.R., Hua, P. et al.
Nat Genet (2021). https://doi.org/10.1038/s41588-021-00955-3
Published: 04 November 2021
Σε αυτή τη μελέτη, αναγνωρίζεται το rs17713054 ως πιθανή αιτιολογική παραλλαγή και το LZTFL1 ως υποψήφιο γονίδιο τελεστή που συμβάλλει στην απενεργοποίηση ενός προστατευτικού μηχανισμού των επιθηλιακών κυττάρων των πνευμόνων, αυξάνοντας, πιθανόν, τον κίνδυνο για σοβαρή Covid-19.
Ewen Callaway
Nature 622, 440-441 (2023), https://doi.org/10.1038/d41586-023-03201-4
Published: 11 October 2023
Οι ερευνητές χρησιμοποιούν προγράμματα μηχανικής μάθησης για να προβλέψουν την εξέλιξη των ιών και να σχεδιάσουν εμβόλια. Σε ένα άρθρο του Nature, που δημοσιεύτηκε στις 11 Οκτωβρίου, οι ερευνητές αναφέρουν ένα εργαλείο μηχανικής μάθησης το οποίο μπορεί να προβλέψει την εξέλιξη των ιών που έχουν τη δυνατότητα να προκαλέσουν πανδημία. Τέτοιες πληροφορίες θα μπορούσαν να βελτιώσουν την ανθεκτικότητα των εμβολίων, συμπεριλαμβανομένων αυτών κατά της COVID-19, και θα μπορούσαν να δώσουν στον κόσμο ένα προβάδισμα όταν εμφανιστεί η επόμενη απειλή πανδημίας.
Editorial
Nature 597, 447-448 (2021), doi: https://doi.org/10.1038/d41586-021-02554-y
22 September 2021
Οι κυβερνήσεις έχουν μεγάλη ανάγκη να αναπτύξουν συλλογές με μεγάλα δεδομένα κατά τη διάρκεια υγειονομικών κρίσεων. Οι επιστήμονες πρέπει να βοηθήσουν να τεθούν οι νομικές, ηθικές και υλικοτεχνικές βάσεις.