XiaoMi-AI文件搜索系统
World File Search System云和
XMS云和（虚拟）边缘安全白皮书
标准，涵盖政策，管理参与，业务流程，技术，遵守当地法律，安全意识和安全最佳实践。与数据保护官合作，我们根据安全性和隐私要求评估了越来越多的高风险第三方。此外，我们不断监视主要供应商的外部安全活动。我们逐渐努力在我们的ISM和ISO/IEC 27001：2013认证范围内包含所有流程，位置和产品。范围中的产品和位置为
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
使用 LiDAR 点云和 GIS 分析自动检测土地覆盖变化和监测森林演替
摘要：本文探讨了将光探测和测距 (LiDAR) 点云和地理信息系统 (GIS) 分析应用于土地利用和土地覆盖 (LULC) 变化检测的可能性，主要目的是监测后农业土地上发生的不受控制的森林演替。这项研究是在 Milicz 行政区（波兰中西部地区）的一部分进行的。感兴趣的区域是已经放弃农业用途并且森林演替过程已经进展的地块。机载激光扫描 (ALS) 数据（于 2007 年、2012 年和 2015 年获取）揭示了由于森林演替过程的进展而导致的土地覆盖的详细变化。使用 ALS 数据，显示了 LULC 变化和次生林演替的进展，并给出了植被参数（LiDAR 指标）。
TITAN 云和国防部人工智能的未来
国防部的新人工智能 (AI) 战略是一个创意宝库。1 该战略于 2019 年 2 月的新闻发布会上公布，（可以毫不夸张地说）这是一份雄心勃勃的文件，其影响深远。与硬编码的“垃圾进，垃圾出”程序不同，算法编写者将编写能够自行学习的代码，这些程序会输出特定的输出。仿照生物系统建模的神经网络有朝一日可能会在人类思维的灰色地带漫游。随着时间的推移和大量的训练，人工智能将区分坦克和卡车，米格战机和普通飞机。自动驾驶汽车将把部队运送到前线，有朝一日，无人驾驶飞机可能会运送货物和为战斗机加油。发展中的空军人工智能已经能够让半自主的“忠诚”僚机在飞行员的指导下，在相对安全的驾驶舱内执行预先编程的任务。 2 之后，装有人工智能的故障部件会在需要更换时发出警报，使维修计划更加高效，成本更低。军医可能会在人工智能辅助超声检测出疾病后建议进行早期活检，从而改善预后，让所有美国人都能活得更长寿、更充实。
地理空间人工智能：机器学习在 3D 点云和地理空间数字孪生中的潜力
摘要 人工智能 (AI) 正在从根本上改变 IT 解决方案在所有应用领域（包括地理空间领域）的实施和运行方式。本文概述了基于 AI 的 3D 点云和地理空间数字孪生技术，作为地理空间 AI 的通用组成部分。首先，我们简要回顾一下“AI”一词，并从软件工程的角度概述将 AI 应用于 IT 解决方案所需的技术发展。接下来，我们将 3D 点云描述为地理数据的关键类别，及其在创建地理空间数字孪生基础中的作用；我们解释了机器学习 (ML) 和深度学习 (DL) 方法对 3D 点云的可行性。具体而言，我们认为 3D 点云可以看作具有与自然语言语料库相似属性的语料库，并为 3D 点云制定了“自然性假设”。在主要部分中，我们介绍了一种基于 ML/DL 方法解释 3D 点云的工作流程，该方法无需创建显式空间 3D 模型或显式规则集即可得出 3D 点云的特定领域和特定应用语义。最后，通过示例展示了 ML/DL 如何使我们能够高效地构建和维护地理空间数字孪生（例如虚拟 3D 城市模型、室内模型或建筑信息模型）的基础数据。
物流是否正处于云和新兴技术采用的转折点？
调查还询问了未来 12 个月物流运营的优先事项（见图 7）。首要任务显然是降低成本，其次是提高空间利用率、优化库存和业务流程/工作流效率。这种对运营优先事项的“展望”与受访者目前面临的主要障碍非常相似（见图 3）。有趣的是，对于这两个问题，受访者都表示有兴趣改进工作流、数据分析、沟通、协作和规划等领域，所有这些都是运输管理系统 (TMS)、仓库管理系统 (WMS) 和全球贸易管理 (GTM) 软件解决方案的功能。
无云和阴天条件下地表大气下行长波辐射。测量和建模
警告。本论文的咨询须接受以下使用条件：通过 TDX 服务传播本论文已获得知识产权持有人的授权，仅供参与研究和教学活动的私营公司使用。不得以营利为目的进行复制，也不得从 TDX 服务以外的网站传播和提供。不允许在 TDX（框架）以外的窗口或框架中呈现其内容。此权利保留影响论文演示摘要及其内容。使用或引用论文部分内容时，必须注明作者姓名。警告。本论文的咨询须接受以下使用条件：通过 TDR 服务传播本论文已获得知识产权所有者的授权，仅供研究活动中的私人使用和教学。不得出于盈利目的进行复制或从 TDR 服务之外的网站传播和提供。无权在 TDR（框架）以外的窗口或框架中呈现其内容。此权利保留影响论文演示摘要及其内容。使用或引用论文部分内容时，必须注明作者编号。警告。在查阅本论文后，您即接受以下使用条件：通过TDX服务传播本论文已获得知识产权持有者的授权，仅供私人用于调查和教学活动。以盈利为目的的复制未经授权，其传播和可用性也不得从 TDX 服务之外的站点进行。在 TDX 服务之外的窗口或框架中引入其内容是不被授权的（框架）。这些权利影响论文的演示摘要及其内容。在使用或引用论文部分内容时，必须注明作者姓名。