- 使用深度学习的实时药丸辨识技术
该研究探讨了一种基于深度学习的移动应用的开发和实施,旨在通过移动设备上的实时图像处理准确识别和区分不同类型的药丸以协助盲人和视障人士,该应用利用文本转语音(TTS)提供即时的听觉反馈,提高了视障用户的可用性和独立性。研究评估了应用的检测准确 - 利用机器学习和计算机视觉提高低视力和盲人的可访问性
利用机器学习和计算机视觉技术改善视障人士的使用便利性的移动应用程序的研究。
- 支持新生儿科医生在产房中的教育工具
通过机器学习方法,本文识别了风险因素及其对出生事件的影响,旨在设计一个用户友好的移动应用程序,以提高高风险患者的识别率和适当干预的计划。
- 利用特征选择和挖掘关联规则分析无家可归者的需求
欧洲的无家可归是一个社会和健康问题,许多非政府组织通过收集和分析大量关于无家可归者的信息来帮助他们,使用了 SINTECH 项目提供的移动应用和基于人工智能的软件工具,以便快速收集数据和从中获取有意义的信息。
- 基于领域自适应和少样本学习的运动健身识别泛化
该文章提出了一个包含可控和不可控适应子集的数据库,利用小适应数据在不可控环境中成功提高模型泛化能力,使识别准确率比基线提高两到六倍。
- 基于深度学习的西红柿病害检测与治疗建议的移动应用
我们开发了一种全面的计算机系统,用于辅助采用传统农耕方式且无法很好获得农业专家帮助的农民处理农作物病害问题。我们的系统利用人工智能技术来识别和提供蔬菜病害的解决方法,并创建了一款手机应用程序,提供用户友好的界面,允许农民用本地语言查询蔬菜病 - Flowchase:一个用于发音练习的移动应用
本文提出一种通过连接语音技术以提供个性化及即时反馈给英语学习者的移动应用 Flowchase,该应用程序能分析语音部分和超音段特征的技术解决方案,并使用基于语音表示学习的机器学习模型进行验证、联合强制排列以及音素识别,从而设计一系列声准和声 - 基于计算机视觉的智能咖啡监测:走向可持续咖啡生产
该研究采用机器学习算法 YOLOv7 处理咖啡树影像,利用开发的 AI 移动应用程序 CoffeApp 预测收获时间、评估咖啡产量和品质,以及通报植株健康状况,从而实现高效、准确地监测咖啡生长状态。
- MWaste:一种处理家庭垃圾的深度学习方法
介绍了一种名为 MWaste 的移动应用程序,使用计算机视觉和深度学习技术将垃圾材料分类为垃圾、塑料、纸张、金属、玻璃或纸板,可以帮助有效处理垃圾、减少温室气体的排放。
- 面向视觉障碍者的钞票识别技术(埃塞俄比亚钞票案例)
本文尝试使用人工智能 / 机器学习应用程序为视力受损人士在埃塞俄比亚的使用货币场景提供解决方案。该移动应用程序可以扫描货币并在 Amharic 语言中告知其类型,旨在减轻埃塞俄比亚视力障碍人士的负担。该模型在数据集上实现了 98.9%的分类 - ICLR基于移动端深度学习模型的香蕉病害检测
本研究旨在研发一种基于深度学习的手机应用程序,用于早期检测香蕉枯萎病和黑 SIGATOKA 病,该应用程序对于现实环境下的香蕉叶片的检测可达到 99%的准确率,显示出为小农户提高香蕉产量的潜力。
- ICCV使用轻量级卷积神经网络进行盲人街道安全辅助
本文提出了一种利用深度学习卷积神经网络模型的免费移动应用程序,以帮助视障者在现实时间内快速获取和理解交通信号灯颜色和方向的必要信息。应用程序在分类准确度上达到了 96%,平均角度误差为 6.15 度,并通过声音和震动同时提供信息。此解决方案 - MMHeartFit:一种利用深度学习进行心脏杂音诊断的准确平台
Heartfit 采用自我诊断方法,利用深度学习对用户心声的分类和诊断,既准确又经济适用,适用于缺乏医疗设施的地区。
- KDD利用自拍图像评估面部痤疮严重程度的计算机视觉应用
通过与雀巢 SHIELD 合作,我们开发了一个基于深度学习的移动应用程序,可以通过自拍图像与皮肤科医生一样准确地评估痤疮的严重程度,采用 OpenCV 检测面部标志并使用 ResNet 152 模型进行特征提取。
- CVPR移动 GPU 实时头发分割与重新上色
提出了一种针对实时移动应用的基于神经网络的头发分割新方法,其相对较小的神经网络可在移动 GPU 上实现实时推理速度(视设备而定的 30-100+ FPS),同时保证高精度,并提出了一种高度逼真的头发重染方案,已在主要 AR 应用程序中部署并 - Deepwound:通过卷积神经网络自动进行术后创口评估和手术部位监测
本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务,并提出了一种多标签 CNN 集成算法 Deepwound,该算法能够通过图像像素和相应标签,准确地识别手术创面的九种状态,包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉