Choix Hebdomadaires De L'éditeur | Le Grand Modèle Possède Son Propre Ensemble De Données MBTI, L'université De Technologie De Chengdu Construit Le Modèle SCDUNet++ Pour La Cartographie Des Glissements De Terrain
Les glissements de terrain sont l’une des catastrophes naturelles les plus courantes, généralement déclenchées par des tremblements de terre et des précipitations. Les dégâts causés par les glissements de terrain déclenchés par les tremblements de terre peuvent parfois être plus graves que les dégâts causés par le tremblement de terre lui-même. à cette fin,L'Université de technologie de Chengdu a construit le modèle SCDUNet++ pour la cartographie des glissements de terrain.Pour aider à prévenir les catastrophes géologiques.
Ce cas de recherche et son ensemble de données peuvent être consultés et téléchargés sur le site officiel hyper.ai.
Du 26 février au 1er mars, le site officiel d'hyper.ai est mis à jour :
* Ensembles de données publiques de haute qualité : 10
* Étuis en papier AI4S : 3
* Entrées d'encyclopédie populaire : 10
Visitez le site officiel :hyper.ai
Ensembles de données publiques sélectionnés
1. Ensemble de données de cartographie des glissements de terrain SCDUNet++ utilisant des données de télédétection multicanaux
Ce référentiel est l'ensemble de données d'implémentation officiel de l'article : « Cartographie des glissements de terrain basée sur un réseau hybride CNN-Transformer et un apprentissage par transfert profond utilisant des images de télédétection avec des caractéristiques topographiques et spectrales Implémentation SCDUNet++ ».
Utilisation directe :
https://hyper.ai/datasets/29647
2. Ensemble de données contradictoires multilingues de reconnaissance de paraphrases PAWS-X
L'ensemble de données contient 23 659 paires d'évaluation PAWS traduites par l'homme et 296 406 paires d'entraînement traduites par machine dans six langues différentes : français, espagnol, allemand, chinois, japonais et coréen. Toutes les paires de traductions sont dérivées d'exemples dans PAWS-Wiki.
Utilisation directe :
https://hyper.ai/datasets/29264
3. Ensemble de données de compréhension de la langue parlée et audio-texte chinoise CATSLU
CATSLU est une voix chinoise +NLU Un ensemble de données conversationnelles pour la compréhension de texte. Cet ensemble de données provient du premier défi de compréhension de la langue parlée audio-texte chinoise, comprenant des ensembles de données de test et des résultats, des ensembles de données de formation et de validation, des lignes de base et des manuels.
Utilisation directe :
https://hyper.ai/datasets/29764
4. Ensemble de données MBTI Machine Mindset
Cet ensemble de données a été proposé par l'équipe de recherche afin de former un grand modèle de langage avec différents types de genre MBTI. La publication de cet ensemble de données apporte une contribution unique aux domaines des modèles linguistiques à grande échelle (LLM) et de la psychologie.
Utilisation directe :
https://hyper.ai/datasets/29692
5. Ensemble de données de détection d'âge et de reconnaissance faciale
Cet ensemble de données est une collection d'images de personnes d'âges différents et est spécialement conçu pour les tâches de prédiction de l'âge et de reconnaissance faciale. L'ensemble de données contient différentes données démographiques, raciales et de genre.
Utilisation directe :
https://hyper.ai/datasets/29695
6. Ensemble de données sur les types de peau Ensemble de données sur les types de peau grasse, sèche et normale
L'ensemble de données comprend des images de types de peau grasse, sèche et normale et peut être utilisé à des fins de classification et de détection.
Utilisation directe :
https://hyper.ai/datasets/29718
7. Images générées par l'IA vs. images réelles
L'ensemble de données est une collection d'images provenant de deux sources différentes : le scraping Web et le contenu généré par l'IA. Le contenu couvre une variété de thèmes : personnes, animaux, portraits et paysages.
Utilisation directe :
https://hyper.ai/datasets/29657
8. Exemple de données tirées de l'article « Système d'apprentissage profond pour prédire la progression de la rétinopathie diabétique »
Cet ensemble de données est l'exemple de données de l'article « Deep Learning System for Predicting Progression Time of Diabetic Retinopathy », y compris les données sources fournies dans l'article et un ensemble de données minimum stocké dans Zenodo par l'équipe de recherche afin de reproduire le code de l'algorithme de l'article. Cet ensemble de données est accessible au public pour la recherche scientifique et l'utilisation non commerciale.
Utilisation directe :
https://hyper.ai/datasets/29716
9. 50 types de pièces automobiles Ensemble de données sur 50 types de pièces automobiles
Il s'agit d'un ensemble de données de 50 types d'images de pièces automobiles. Il comprend un ensemble d'entraînement, un ensemble de tests et un ensemble de validation. L'ensemble de validation et l'ensemble de test contiennent chacun 5 images de 50 catégories. La taille de l'image est 224 X 224 X 3 et le format est .jpg. Il n'y a pas d'images augmentées dans l'ensemble de données, toutes les images sont originales.
Utilisation directe :
https://hyper.ai/datasets/29796
10. Noms populaires par année de naissance 1880-2022 Noms populaires pour les personnes nées aux États-Unis entre 1880 et 2022
Cet ensemble de données contient les noms, le sexe et l'année de naissance des enfants nés aux États-Unis entre 1880 et 2020. L'ensemble de données prend en compte l'année de naissance de l'enfant, le sexe et la popularité du prénom donné aux enfants aux États-Unis.
Utilisation directe :
https://hyper.ai/datasets/29784
Pour des ensembles de données plus mis à jour cette semaine, veuillez visiter:
ScienceAI Études de cas sélectionnées
Des chercheurs de l'Université de technologie de Chengdu ont proposé un modèle de segmentation sémantique appelé SCDUNet++, qui combine les avantages des réseaux neuronaux convolutifs (CNN) et de Transformer pour améliorer la reconnaissance et l'extraction des caractéristiques des glissements de terrain. Ses performances sont meilleures que celles de 8 autres modèles d’apprentissage en profondeur tels que FCN, DeepLabv3+ et Segformer. Les résultats ont été publiés dans l’International Journal of Applied Earth Observation and Geoinformation.
Voir le rapport complet :
L'Université Jiaotong de Shanghai et l'Université Tsinghua ont construit conjointement un centre de traitement du diabète.Complications rétiniennesLe système d'alerte précoce DeepDR Plus peut prédire la progression de la rétinopathie diabétique dans les 5 ans en se basant uniquement sur les images du fond d'œil. Les résultats pertinents ont été publiés dans la revue « Nature ».
Voir le rapport complet :
Une équipe de l'Académie des sciences médicales militaires a proposé un outil informatique appelé MIDAS pour l'intégration en mosaïque de données omiques multimodales unicellulaires (scMulti-omics) (c'est-à-dire que différents ensembles de données ne partagent que certaines modalités de détection) et le transfert de connaissances. Basé sur l'apprentissage auto-supervisé et les approches théoriques de l'information, il a réalisé pour la première fois des fonctions d'intégration générales telles que l'alignement modal, la complétion des données et la correction par lots de données mosaïques omiques multimodales à cellule unique, fournissant des technologies originales importantes pour la construction de cartes de cellules multi-omiques à grande échelle et la réalisation d'analyses multi-omiques à grande échelle et de transfert de connaissances. Les résultats connexes ont été publiés dansNature Biotechnologie"Journal.
Voir le rapport complet :
Articles populaires de l'encyclopédie
1. Époque
2. Limite de classe
3. Dérive conceptuelle
4. Modèle de transformateur
5. Reproduction de l'espace de Hilbert du noyau
Voici des centaines de termes liés à l'IA compilés pour vous aider à comprendre « l'intelligence artificielle » ici :
Voici tout le contenu de la sélection de l’éditeur de cette semaine. Si vous avez des ressources que vous souhaitez inclure sur le site officiel hyper.ai, vous êtes également invités à laisser un message ou à soumettre un article pour nous le dire !
À la semaine prochaine !
À propos d'HyperAI
HyperAI (hyper.ai) est une communauté leader en matière d'intelligence artificielle et de calcul haute performance en Chine.Nous nous engageons à devenir l'infrastructure dans le domaine de la science des données en Chine et à fournir des ressources publiques riches et de haute qualité aux développeurs nationaux. Jusqu'à présent, nous avons :
* Fournir des nœuds de téléchargement accélérés nationaux pour plus de 1 200 ensembles de données publiques
* Comprend plus de 300 tutoriels en ligne classiques et populaires
* Interprétation de plus de 100 cas d'articles AI4Science
* Prise en charge de plus de 500 termes de recherche associés
* Hébergement de la première documentation complète d'Apache TVM en Chine
Visitez le site Web officiel pour commencer votre parcours d'apprentissage :