Maison Périphériques technologiques IA ICLR2024 | Harvard FairSeg : le premier ensemble de données de segmentation médicale à grande échelle pour étudier l'équité des algorithmes de segmentation

ICLR2024 | Harvard FairSeg : le premier ensemble de données de segmentation médicale à grande échelle pour étudier l'équité des algorithmes de segmentation

Jul 17, 2024 am 05:46 AM
产业

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Auteur | Tian Yu

Éditeur | Cabbage Leaf

Ces dernières années, la question de l'équité des modèles d'intelligence artificielle a reçu de plus en plus d'attention, notamment dans le domaine médical, car l'équité des modèles médicaux a un impact négatif impact sur la santé des gens. La santé et la vie comptent. Des ensembles de données de haute qualité sur l’équité médicale sont nécessaires pour faire progresser la recherche sur l’apprentissage équitable.

Les ensembles de données d'équité médicale existants sont tous destinés aux tâches de classification, et il n'existe aucun ensemble de données d'équité disponible pour la segmentation médicale. Cependant, la segmentation médicale est une tâche d'IA médicale très importante comme la classification. Dans certains scénarios, la segmentation est même supérieure à la classification car elle fournit. informations spatiales détaillées sur les anomalies des organes à évaluer par le clinicien.

Dans la dernière recherche, l'équipe Harvard-Ophthalmology-AI-Lab de l'Université Harvard a proposé le premier ensemble de données d'équité pour la segmentation médicale, appelé Harvard-FairSeg, contenant 10 000 échantillons de patients. De plus, une méthode de mise à l'échelle juste des limites d'erreur est proposée en utilisant le dernier Segment Anything Model (SAM) pour repondérer la fonction de perte en fonction de l'erreur de limite supérieure pour chaque groupe d'identité.

Pour faciliter des comparaisons équitables, l'équipe a utilisé un nouveau critère pour évaluer l'équité dans les tâches de segmentation appelé performance de segmentation à l'échelle de l'équité. Grâce à des expériences approfondies, les chercheurs démontrent que leur approche est soit supérieure, soit comparable en termes de performances en matière d'équité aux modèles d'apprentissage de l'équité de pointe.

Ici, des chercheurs de l'Université Harvard partagent avec vous une vague de travaux finals de l'ICLR 2024 « Harvard FairSeg : un ensemble de données de segmentation d'images médicales à grande échelle pour un apprentissage équitable à l'aide d'un modèle de segmentation avec une mise à l'échelle équitable liée aux erreurs ».

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集
Adresse de l'article : https://arxiv.org/pdf/2311.02189.pdf

Adresse du code : https://github.com/Harvard-Ophthalmology-AI-Lab/Harvard-FairSeg

Site Web de l'ensemble de données : https://ophai.hms.harvard.edu/datasets/harvard-fairseg10k/

Lien de téléchargement de l'ensemble de données : https://drive.google.com/drive/u/1/folders /1tyhEhYHR88gFkVzLkJI4gE1BoOHoHdWZ

Harvard-Ophthalmology-AI-Lab s'engage à fournir des ensembles de données d'équité de haute qualité, et davantage d'ensembles de données incluent des tâches de classification d'équité pour trois maladies ophtalmiques.

Page Web de l'ensemble de données de Harvard-Ophthalmology-AI-Lab : https://ophai.hms.harvard.edu/datasets/

Background

Avec l'application croissante de l'intelligence artificielle dans le diagnostic par imagerie médicale, cela devient Il est essentiel de garantir l’équité de ces modèles d’apprentissage profond et d’approfondir les préjugés cachés qui peuvent survenir dans des situations complexes du monde réel. Malheureusement, les modèles d'apprentissage automatique peuvent inclure par inadvertance des attributs sensibles liés aux images médicales (comme la race et le sexe), ce qui peut avoir un impact sur la capacité du modèle à distinguer les anomalies. Ce défi a suscité de nombreux efforts en matière d’apprentissage automatique et de vision par ordinateur pour enquêter sur les préjugés, plaider en faveur de l’équité et introduire de nouveaux ensembles de données.

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Pour l'instant, seuls quelques ensembles de données d'équité publique ont été proposés pour étudier la classification de l'équité. L'essentiel est que la plupart de ces ensembles de données ne sont que des données tabulaires, ils ne conviennent donc pas au développement d'une vision par ordinateur d'équité qui nécessite une imagerie. modèle de données. Ce manque d’équité dans la vision par ordinateur est particulièrement préoccupant, compte tenu notamment de l’influence croissante des modèles d’apprentissage profond qui s’appuient sur de telles données. Dans le domaine de l’imagerie médicale, seuls quelques ensembles de données ont été utilisés à des fins d’apprentissage équitable.

La plupart de ces ensembles de données ne sont pas spécifiquement conçus pour la modélisation de l'équité (les seuls ensembles de données d'images médicales actuellement sont répertoriés dans le tableau 1). Ils ne contiennent généralement qu’une gamme limitée d’attributs sensibles tels que l’âge, le sexe et la race, limitant ainsi la portée de l’examen de l’équité entre différentes populations. En outre, il leur manque également un cadre d’analyse comparative complet. Plus important encore, bien que ces ensembles de données et méthodes précédents fournissent des solutions pour la classification médicale, ils ignorent le domaine plus critique de la segmentation médicale.

Cependant, la création d’un nouvel ensemble de données aussi vaste pour un apprentissage équitable se heurte à de nombreux défis. Premièrement, il y a un manque de données médicales à grande échelle et de haute qualité et d’annotations manuelles au niveau des pixels, dont la collecte et l’annotation nécessitent beaucoup de travail et de temps. Deuxièmement, les méthodes existantes pour améliorer l’équité sont principalement conçues pour la classification médicale, et leurs performances restent discutables lorsqu’elles sont adaptées aux tâches de segmentation. Il n’est pas non plus certain que l’injustice présente dans la tâche de segmentation puisse être efficacement atténuée par un algorithme. Enfin, les mesures d’évaluation permettant d’évaluer l’équité des modèles de segmentation médicale restent difficiles à atteindre. De plus, il peut être difficile d’adapter les mesures d’équité existantes conçues pour la classification aux tâches de segmentation.

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Pour relever ces défis, nous proposons le premier ensemble de données d'équité à grande échelle dans le domaine de la segmentation médicale, Harvard-FairSeg. Cet ensemble de données est conçu pour être utilisé pour étudier la segmentation juste coupe-disque afin de diagnostiquer le glaucome à partir d'images de fond d'œil SLO, comme le montre la figure 1.

Le glaucome est l'une des principales causes de cécité irréversible dans le monde, avec une prévalence de 3,54 % dans la tranche d'âge 40-80 ans, touchant environ 80 millions de personnes. Le glaucome précoce est souvent asymptomatique, ce qui souligne la nécessité d'un examen professionnel rapide. Une segmentation précise des cupules-disques est essentielle au diagnostic précoce du glaucome par les professionnels de la santé.

Notamment, les personnes noires ont deux fois plus de risque de développer un glaucome que les autres groupes, mais ce groupe a généralement la précision de segmentation la plus faible. Cela nous motive à compiler un ensemble de données pour étudier le problème de l'équité de la segmentation. Les points forts de notre ensemble de données Harvard-FairSeg proposé sont les suivants :

(1) Le premier ensemble de données d'apprentissage de l'équité dans le domaine de la segmentation médicale. Cet ensemble de données fournit une segmentation coupe-disque des données d'imagerie du fond d'œil SLO ; (2) Cet ensemble de données est équipé de six attributs sensibles collectés à partir de scénarios cliniques hospitaliers réels pour étudier le problème d'apprentissage de l'équité ; (3) Nous multiplions les algorithmes d'apprentissage de l'équité SOTA ; sont évalués sur le nouvel ensemble de données proposé et évalués à l'aide de plusieurs mesures de performances de segmentation, notamment Dice et IoU.

Comment obtenir un grand nombre d'annotations de segmentation de haute qualité

Les sujets testés dans cette étude provenaient d'un grand hôpital ophtalmologique universitaire et la période était de 2010 à 2021. Cette étude publiera trois types de données : (1) images d'analyse du fond d'œil SLO ; (2) informations démographiques sur les patients contenant six attributs différents (3) automatiquement annotées par les machines OCT et évaluées manuellement par des médecins professionnels. Comment obtenir un grand nombre de données ? les annotations de segmentation de haute qualité avec annotation au niveau des pixels ont toujours été une partie très importante de la segmentation médicale.

Notre nouvelle méthode consiste à obtenir d'abord l'annotation en pixels des zones de la cupule et du disque à partir de la machine OCT, où la limite du disque est divisée en ouvertures de membrane de Bruch en OCT 3D, qui est implémentée par le logiciel du fabricant OCT, et la limite de la cupule. est détectée comme la membrane limite intérieure (l'intersection entre l'ILM) et le plan qui aboutit à la surface minimale et à l'intersection de la limite du disque sur le plan. En gros, le bord de la cupule peut être considéré comme l’emplacement sur l’ILM le plus proche du bord du disque optique, défini comme l’ouverture de la membrane de Bruch.

L’ouverture de la membrane de Bruch et la membrane de limitation interne sont facilement segmentées en raison du contraste élevé entre elles et l’arrière-plan. Ainsi, comme le logiciel OCT Maker utilise des informations 3D, la segmentation des gobelets et des disques à l'aide de machines OCT est généralement fiable.

En revanche, la segmentation 2D de la cupule et du disque sur les photographies du fond d'œil peut être difficile en raison de divers facteurs, notamment l'atténuation des signaux d'imagerie et l'occlusion vasculaire. Cependant, comme les machines OCT sont assez coûteuses et moins courantes en soins primaires, nous proposons de migrer ces annotations des images de fond d'œil 3D OCT vers 2D SLO pour avoir un impact plus large sur le dépistage précoce du glaucome en soins primaires.

Plus précisément, nous utilisons d'abord l'outil NiftyReg pour aligner l'image du fond d'œil SLO avec l'image du fond d'œil dérivée de l'OCT (fond d'œil OCT). Par la suite, nous appliquons la métrique affine de NiftyReg au masque cup-disque de l'image du fond d'œil OCT pour aligner. avec l'alignement de l'image SLO Fundus. Ce processus produit efficacement un grand nombre d’annotations de masque de fond d’œil SLO de haute qualité, évitant ainsi le processus fastidieux d’annotation manuelle des pixels.

Il convient de noter que cette opération d'enregistrement médical démontre une assez grande précision dans des scénarios du monde réel, et nos observations empiriques montrent que le taux de réussite de l'enregistrement médical est d'environ 80 %. À la suite de ce processus automatisé, les masques générés sont rigoureusement examinés et évalués manuellement par un panel de cinq professionnels de la santé pour garantir une annotation précise des régions coupelle-disque et exclure les masques coupelle ou disque égarés et les échecs d'enregistrement.

Caractéristiques des données : Notre ensemble de données Harvard-FairSeg contient 10 000 échantillons provenant de 10 000 sujets. Nous divisons les données en un ensemble d'apprentissage de 8 000 échantillons et un ensemble de test de 2 000 échantillons. L'âge moyen de l'ensemble de données était de 60,3 ± 16,5 ans. Dans cet ensemble de données, six attributs sensibles sont inclus pour une recherche approfondie sur l'apprentissage de l'équité, notamment l'âge, le sexe, la race, l'origine ethnique, la langue préférée et l'état civil.

En termes de données démographiques raciales, l'ensemble de données comprend des échantillons de trois groupes principaux : les Asiatiques, avec 919 échantillons ; les Noirs, avec 1 473 échantillons et les Blancs, avec 7 608 échantillons. En termes de sexe, les femmes représentaient 58,5 % des sujets, le reste étant des hommes. La répartition ethnique était de 90,6 % de non-hispaniques, 3,7 % d'hispaniques et 5,7 % non précisés. En termes de langue préférée, 92,4 % des sujets préféraient l'anglais, 1,5 % préféraient l'espagnol, 1 % préféraient d'autres langues et 5,1 % étaient indécis. Du point de vue de l'état matrimonial, 57,7 % étaient mariés ou en couple, 27,1 % étaient célibataires, 6,8 % avaient vécu un divorce, 0,8 % étaient légalement séparés, 5,2 % étaient veufs et 2,4 % n'ont pas précisé.

Notre approche pour améliorer l'équité, Fair Error-Bound Scaling

Nous supposons que les groupes d'échantillons qui obtiennent une perte globale de dés plus petite signifie que le modèle apprend mieux pour ce groupe spécifique d'échantillons, par conséquent, ces groupes d'échantillons doivent être plus petit Petit poids. À l’inverse, les groupes d’échantillons présentant une perte globale de dés plus importante (c’est-à-dire des cas insolubles) peuvent conduire à de moins bonnes capacités de généralisation et induire davantage de biais algorithmiques, ce qui nécessite d’attribuer des poids d’apprentissage plus importants à ces groupes d’échantillons.

Par conséquent, nous proposons une nouvelle méthode de mise à l'échelle liée à l'erreur équitable pour mettre à l'échelle la perte de dés entre différents groupes de population pendant l'entraînement. Nous définissons d'abord la perte de dés standard entre les scores de pixels prédits et les cibles de vérité terrain comme :

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Pour garantir l'équité entre les différents groupes d'attributs, nous utilisons un nouveau mécanisme de mise à l'échelle lié à l'erreur équitable pour améliorer la perte de dés ci-dessus. Fonction de perte :

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

En ajustant les scores de pixels prédits avec ces poids d'attribut, cette perte garantit que différents groupes d'attributs contribuent à la fonction de perte de manière équilibrée pendant la formation du modèle, favorisant ainsi l'équité.

Metriques pour évaluer la précision de la segmentation équitable : Les mesures de segmentation traditionnelles telles que Dice et IoU fournissent des informations sur les performances de segmentation, mais peuvent ne pas capturer efficacement l'équité entre différents groupes. Dans cet esprit, nous visons à proposer une nouvelle métrique qui englobe à la fois la précision et l’équité de la segmentation entre différents groupes. Il en résulte une perspective globale, garantissant que le modèle est à la fois précis et équitable.

Pour intégrer l'équité de groupe, nous devons évaluer l'exactitude du groupe individuellement. Nous définissons d’abord une différence de précision de mesure de segmentation Δ comme suit :

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Ici, Δ mesure l’écart global de la précision de chaque population par rapport à la précision globale. Il s’approche de zéro lorsque tous les groupes atteignent une précision de segmentation similaire.

Lorsque nous considérons l'équité entre différents groupes, nous devons calculer la différence relative entre l'exactitude globale de la segmentation et l'exactitude au sein de chaque groupe démographique. Sur cette base, nous définissons la métrique Equity-Scaled Segmentation Performance (ESSP) comme défini ci-dessous :

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Cette formule garantit que l'ESSP est toujours inférieur ou égal à I. À mesure que Δ diminue (indiquant des performances de segmentation égales entre les groupes), ESSP tend vers la métrique de segmentation traditionnelle. En revanche, un Δ plus élevé indique de plus grandes différences dans les performances de segmentation entre les groupes, ce qui entraîne des scores ESSP plus faibles.

Cette approche nous permet d'évaluer les modèles de segmentation non seulement sur la précision (via les métriques Dice, IoU, etc.) mais également sur l'équité entre différents groupes. Cela fait de la fonction de notation ESSP une mesure clé pour garantir la précision et l’équité de la segmentation dans les tâches d’imagerie médicale. Cette métrique peut être combinée avec les dés IoU traditionnels pour devenir ES-Dice et ES-IoU.

Expérience

Nous avons choisi deux réseaux de segmentation comme épine dorsale. Parmi eux, nous avons choisi le grand modèle de segmentation Segment Anything Model (SAM) récemment lancé pour expérimenter la précision de segmentation de SOTA, et pour l'autre structure principale, nous avons choisi TransUNet.

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

Nous avons également utilisé d'autres mesures de segmentation telles que HD95 ASD et NSD pour les tests. Voici les résultats sur la race :

ICLR2024 | Harvard FairSeg: 第一个研究分割算法公平性的大型医疗分割数据集

.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

Video Face Swap

Video Face Swap

Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

<🎜>: Grow A Garden - Guide de mutation complet
3 Il y a quelques semaines By DDD
<🎜>: Bubble Gum Simulator Infinity - Comment obtenir et utiliser les clés royales
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Nordhold: Système de fusion, expliqué
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Mandragora: Whispers of the Witch Tree - Comment déverrouiller le grappin
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Tutoriel Java
1666
14
Tutoriel PHP
1273
29
Tutoriel C#
1253
24
Le robot DeepMind joue au tennis de table, et son coup droit et son revers glissent dans les airs, battant complètement les débutants humains Le robot DeepMind joue au tennis de table, et son coup droit et son revers glissent dans les airs, battant complètement les débutants humains Aug 09, 2024 pm 04:01 PM

Mais peut-être qu’il ne pourra pas vaincre le vieil homme dans le parc ? Les Jeux Olympiques de Paris battent leur plein et le tennis de table suscite beaucoup d'intérêt. Dans le même temps, les robots ont également réalisé de nouvelles avancées dans le domaine du tennis de table. DeepMind vient tout juste de proposer le premier agent robot apprenant capable d'atteindre le niveau des joueurs amateurs humains de tennis de table de compétition. Adresse papier : https://arxiv.org/pdf/2408.03906 Quelle est la capacité du robot DeepMind à jouer au tennis de table ? Probablement à égalité avec les joueurs amateurs humains : tant en coup droit qu'en revers : l'adversaire utilise une variété de styles de jeu, et le robot peut également résister : recevoir des services avec des tours différents : Cependant, l'intensité du jeu ne semble pas aussi intense que le vieil homme dans le parc. Pour les robots, le tennis de table

La première griffe mécanique ! Yuanluobao est apparu à la World Robot Conference 2024 et a lancé le premier robot d'échecs pouvant entrer dans la maison La première griffe mécanique ! Yuanluobao est apparu à la World Robot Conference 2024 et a lancé le premier robot d'échecs pouvant entrer dans la maison Aug 21, 2024 pm 07:33 PM

Le 21 août, la Conférence mondiale sur les robots 2024 s'est tenue en grande pompe à Pékin. La marque de robots domestiques de SenseTime, "Yuanluobot SenseRobot", a dévoilé toute sa famille de produits et a récemment lancé le robot de jeu d'échecs Yuanluobot AI - Chess Professional Edition (ci-après dénommé "Yuanluobot SenseRobot"), devenant ainsi le premier robot d'échecs au monde pour le maison. En tant que troisième produit robot jouant aux échecs de Yuanluobo, le nouveau robot Guoxiang a subi un grand nombre de mises à niveau techniques spéciales et d'innovations en matière d'IA et de machines d'ingénierie. Pour la première fois, il a réalisé la capacité de ramasser des pièces d'échecs en trois dimensions. grâce à des griffes mécaniques sur un robot domestique et effectuer des fonctions homme-machine telles que jouer aux échecs, tout le monde joue aux échecs, réviser la notation, etc.

Claude aussi est devenu paresseux ! Internaute : apprenez à vous accorder des vacances Claude aussi est devenu paresseux ! Internaute : apprenez à vous accorder des vacances Sep 02, 2024 pm 01:56 PM

La rentrée scolaire est sur le point de commencer, et ce ne sont pas seulement les étudiants qui sont sur le point de commencer le nouveau semestre qui doivent prendre soin d’eux-mêmes, mais aussi les grands modèles d’IA. Il y a quelque temps, Reddit était rempli d'internautes se plaignant de la paresse de Claude. « Son niveau a beaucoup baissé, il fait souvent des pauses et même la sortie devient très courte. Au cours de la première semaine de sortie, il pouvait traduire un document complet de 4 pages à la fois, mais maintenant il ne peut même plus produire une demi-page. !" https://www.reddit.com/r/ClaudeAI/comments/1by8rw8/something_just_feels_wrong_with_claude_in_the/ dans un post intitulé "Totalement déçu par Claude", plein de

Lors de la World Robot Conference, ce robot domestique porteur de « l'espoir des futurs soins aux personnes âgées » a été entouré Lors de la World Robot Conference, ce robot domestique porteur de « l'espoir des futurs soins aux personnes âgées » a été entouré Aug 22, 2024 pm 10:35 PM

Lors de la World Robot Conference qui se tient à Pékin, l'exposition de robots humanoïdes est devenue le centre absolu de la scène. Sur le stand Stardust Intelligent, l'assistant robot IA S1 a réalisé trois performances majeures de dulcimer, d'arts martiaux et de calligraphie. un espace d'exposition, capable à la fois d'arts littéraires et martiaux, a attiré un grand nombre de publics professionnels et de médias. Le jeu élégant sur les cordes élastiques permet au S1 de démontrer un fonctionnement fin et un contrôle absolu avec vitesse, force et précision. CCTV News a réalisé un reportage spécial sur l'apprentissage par imitation et le contrôle intelligent derrière "Calligraphy". Le fondateur de la société, Lai Jie, a expliqué que derrière les mouvements soyeux, le côté matériel recherche le meilleur contrôle de la force et les indicateurs corporels les plus humains (vitesse, charge). etc.), mais du côté de l'IA, les données réelles de mouvement des personnes sont collectées, permettant au robot de devenir plus fort lorsqu'il rencontre une situation forte et d'apprendre à évoluer rapidement. Et agile

Annonce des prix ACL 2024 : l'un des meilleurs articles sur le déchiffrement Oracle par HuaTech, GloVe Time Test Award Annonce des prix ACL 2024 : l'un des meilleurs articles sur le déchiffrement Oracle par HuaTech, GloVe Time Test Award Aug 15, 2024 pm 04:37 PM

Les contributeurs ont beaucoup gagné de cette conférence ACL. L'ACL2024, d'une durée de six jours, se tient à Bangkok, en Thaïlande. ACL est la plus grande conférence internationale dans le domaine de la linguistique informatique et du traitement du langage naturel. Elle est organisée par l'Association internationale pour la linguistique informatique et a lieu chaque année. L'ACL s'est toujours classée première en termes d'influence académique dans le domaine de la PNL, et c'est également une conférence recommandée par le CCF-A. La conférence ACL de cette année est la 62e et a reçu plus de 400 travaux de pointe dans le domaine de la PNL. Hier après-midi, la conférence a annoncé le meilleur article et d'autres récompenses. Cette fois, il y a 7 Best Paper Awards (deux inédits), 1 Best Theme Paper Award et 35 Outstanding Paper Awards. La conférence a également décerné 3 Resource Paper Awards (ResourceAward) et Social Impact Award (

L'équipe de Li Feifei a proposé ReKep pour donner aux robots une intelligence spatiale et intégrer GPT-4o L'équipe de Li Feifei a proposé ReKep pour donner aux robots une intelligence spatiale et intégrer GPT-4o Sep 03, 2024 pm 05:18 PM

Intégration profonde de la vision et de l'apprentissage des robots. Lorsque deux mains de robot travaillent ensemble en douceur pour plier des vêtements, verser du thé et emballer des chaussures, associées au robot humanoïde 1X NEO qui a fait la une des journaux récemment, vous pouvez avoir le sentiment : nous semblons entrer dans l'ère des robots. En fait, ces mouvements soyeux sont le produit d’une technologie robotique avancée + d’une conception de cadre exquise + de grands modèles multimodaux. Nous savons que les robots utiles nécessitent souvent des interactions complexes et exquises avec l’environnement, et que l’environnement peut être représenté comme des contraintes dans les domaines spatial et temporel. Par exemple, si vous souhaitez qu'un robot verse du thé, le robot doit d'abord saisir la poignée de la théière et la maintenir verticalement sans renverser le thé, puis la déplacer doucement jusqu'à ce que l'embouchure de la théière soit alignée avec l'embouchure de la tasse. , puis inclinez la théière selon un certain angle. ce

Conférence sur l'intelligence artificielle distribuée Appel à communications DAI 2024 : Agent Day, Richard Sutton, le père de l'apprentissage par renforcement, sera présent ! Yan Shuicheng, Sergey Levine et les scientifiques de DeepMind prononceront des discours d'ouverture Conférence sur l'intelligence artificielle distribuée Appel à communications DAI 2024 : Agent Day, Richard Sutton, le père de l'apprentissage par renforcement, sera présent ! Yan Shuicheng, Sergey Levine et les scientifiques de DeepMind prononceront des discours d'ouverture Aug 22, 2024 pm 08:02 PM

Introduction à la conférence Avec le développement rapide de la science et de la technologie, l'intelligence artificielle est devenue une force importante dans la promotion du progrès social. À notre époque, nous avons la chance d’être témoins et de participer à l’innovation et à l’application de l’intelligence artificielle distribuée (DAI). L’intelligence artificielle distribuée est une branche importante du domaine de l’intelligence artificielle, qui a attiré de plus en plus d’attention ces dernières années. Les agents basés sur de grands modèles de langage (LLM) ont soudainement émergé. En combinant les puissantes capacités de compréhension du langage et de génération des grands modèles, ils ont montré un grand potentiel en matière d'interaction en langage naturel, de raisonnement par connaissances, de planification de tâches, etc. AIAgent reprend le grand modèle de langage et est devenu un sujet brûlant dans le cercle actuel de l'IA. Au

Hongmeng Smart Travel S9 et conférence de lancement de nouveaux produits avec scénario complet, un certain nombre de nouveaux produits à succès ont été lancés ensemble Hongmeng Smart Travel S9 et conférence de lancement de nouveaux produits avec scénario complet, un certain nombre de nouveaux produits à succès ont été lancés ensemble Aug 08, 2024 am 07:02 AM

Cet après-midi, Hongmeng Zhixing a officiellement accueilli de nouvelles marques et de nouvelles voitures. Le 6 août, Huawei a organisé la conférence de lancement de nouveaux produits Hongmeng Smart Xingxing S9 et Huawei, réunissant la berline phare intelligente panoramique Xiangjie S9, le nouveau M7Pro et Huawei novaFlip, MatePad Pro 12,2 pouces, le nouveau MatePad Air, Huawei Bisheng With de nombreux nouveaux produits intelligents tous scénarios, notamment la série d'imprimantes laser X1, FreeBuds6i, WATCHFIT3 et l'écran intelligent S5Pro, des voyages intelligents, du bureau intelligent aux vêtements intelligents, Huawei continue de construire un écosystème intelligent complet pour offrir aux consommateurs une expérience intelligente du Internet de tout. Hongmeng Zhixing : Autonomisation approfondie pour promouvoir la modernisation de l'industrie automobile intelligente Huawei s'associe à ses partenaires de l'industrie automobile chinoise pour fournir

See all articles