水下图像不可避免地会受到颜色失真和对比度减少的影响。基于统计的方法，例如白平衡和直方图拉伸，试图调整颜色通道的不平衡和狭窄的强度分布，因此性能有限。最近，基于深度学习的方法取得了令人鼓舞的结果。但是，所涉及的架构复杂化和高计算成本可能会阻碍其在实用的约束平台中的部署。受上述作品的启发，我们提出了一个统计学的轻量级水下图像增强网络（USLN）。具体而言，我们首先开发一个双统计的白平衡模块，该模块可以学会使用平均图像和最大图像来补偿每个特定像素的颜色失真。然后是一个多色空间拉伸模块，以适应RGB，HSI和实验室颜色空间中的直方图分布。广泛的实验表明，在统计数据的指导下，USLN大大降低了所需的网络容量（超过98％）并实现最先进的性能。代码和相关资源可在https://github.com/deepxzy/usln上获得。
translated by 谷歌翻译
AI自然语言生成（NLG）是计算机系统从信息中生成可读性语言文本的过程。它可以成为人类创造性写作过程中不可或缺的一部分。重要的是，年轻人可以学会在主流教育中应用NLG，并为AI增强的写作工作和其他写作努力做好准备。为了探索学生如何将NLG应用于创意写作，我们在香港中学设计和实施了第一届人类创意写作竞赛。在本次比赛中，每个学生参与者都使用计算机生成并建立在开源语言模型上的学生自己的单词和单词，写了一篇关于500个字的短篇小说。我们为比赛设计了四个文本生成器，作为计算机的文本条目。此外，使用基于设计的研究，我们开发了七个研讨会，学生学会了与四个文本生成器一起编写并回答反思问题。在分析故事的四个学生的短篇小说和审判者的分数时，我们发现了学生使用的文本生成器单词的数量和类型的不同策略。一些策略似乎比其他策略更复杂。在分析学生的思考时，我们发现学生可以将文本生成器输入和输出描述为思想单位。此外，学生还展示了对文本生成器的偏好。他们在用文本生成器写作时表达了一系列感受。这些发现不仅为NLG的正规教育应用提供了设计含义，而且还提出了AI课程的教学策略。
translated by 谷歌翻译
在几十年来，通过仅评估对象级因子来计算数据中的对象的异常分数时，传统的异常探测器已经忽略了组级因子，无法捕获集体异常值。为缓解此问题，我们提出了一种称为邻居代表（NR）的方法，这些方法使所有现有的异常值探测器能够有效地检测到包括集体异常值，包括集体异常值，同时保持其计算完整性。它通过选择代表性对象来实现这一目标，然后将这些对象进行评分，然后将代表对象的分数应用于其集体对象。在不改变现有探测器的情况下，NR兼容现有的探测器，同时相对于最先进的异常值探测器提高了+ 8％（0.72至0.78 AUC）的现实世界数据集的性能。
translated by 谷歌翻译