XiaoMi-AI文件搜索系统
World File Search System估计
细浓度：通过扩散模型进行细粒度及时驱动的3D人姿势估计
3D人姿势估计（3D HPE）任务使用2D图像或视频来预测3D空间中的人类关节坐标。尽管最新的基于深度学习的方法取得了进步，但它们主要忽略了可访问的文本和自然可行的人类知识的能力，而错过了有价值的隐性监督，以指导3D HPE任务。此外，以前的努力经常从整个人体的角度研究这项任务，从而忽略了隐藏在不同身体部位的细粒度指导。为此，我们基于3D HPE的扩散模型（名为FinePose）提出了一个新的细粒及时驱动的DeNoiser。它由三个核心块组成，增强了扩散模型的反向过程：（1）通过耦合辅助辅助文本和可学习的提示以模拟隐式指南的耦合知识，并通过耦合的辅助辅助文本和自然可行的零件知识，可以通过耦合的辅助辅助文本和自然可行的零件知识来构建精细的部分零件感知的提示。（2）Fine-
根据近似量子非破坏测量进行波形估计
随着采用压缩光的引力波探测器的出现，量子波形估计（通过量子力学探针估计时间相关信号）变得越来越重要。众所周知，量子测量的反作用限制了波形估计的精度，尽管这些限制原则上可以通过文献中的“量子非破坏”（QND）测量装置来克服。然而，严格地说，它们的实现需要无限的能量，因为它们的数学描述涉及从下方无界的哈密顿量。这就提出了一个问题，即如何用有限能量或有限维实现来近似非破坏装置。在这里，我们考虑基于“准理想时钟”的有限维波形估计装置，并表明由于近似 QND 条件而导致的估计误差随着维度的增加而缓慢减小，呈幂律。结果，我们发现用这个系统近似 QND 需要很大的能量或维数。我们认为，对于基于截断振荡器或自旋系统的设置，预计该结果也成立。
基于能量的模型的流对比估计
本文研究了一种联合估计基于能量的模型和基于流的模型的训练方法，其中两个模型基于共享的对抗值函数进行迭代更新。该联合训练方法具有以下特点：（1）基于能量的模型的更新基于噪声对比估计，流模型作为强噪声分布。（2）流模型的更新近似地最小化了流模型与数据分布之间的 Jensen-Shannon 散度。（3）与生成对抗网络（GAN）估计由生成器模型定义的隐式概率分布不同，我们的方法估计数据上的两个显式概率分布。使用所提出的方法，我们证明了流模型的综合质量的显著改进，并展示了通过学习到的基于能量的模型进行无监督特征学习的有效性。此外，所提出的训练方法可以轻松适应半监督学习。我们取得了与最先进的半监督学习方法相媲美的成果。
展示从没有状态估计的像素飞行的敏捷飞行
摘要 - 次数是最敏捷的飞行机器人之一。尽管在基于学习的控制和计算机视觉方面取得了进步，但自动无人机仍然依赖于明确的状态估计。另一方面，人类飞行员仅依靠从板载摄像头的第一人称视频流将平台推向极限，并在看不见的环境中坚固地飞行。据我们所知，我们提出了第一个基于视觉的四摩托系统，该系统自动浏览高速的一系列门，而直接映射像素以控制命令。像专业的无人机赛车飞行员一样，我们的系统不使用明确的状态估计，并利用人类使用的相同控制命令（集体推力和身体速率）。我们以高达40 km/h的速度展示敏捷飞行，加速度高达2 g。这是通过强化学习（RL）的基于识别的政策来实现的。使用不对称的参与者批评，可以促进培训，并获得特权信息。为了克服基于图像的RL训练期间的计算复杂性，我们将门的内边缘用作传感器抽象。可以在训练过程中模拟这种简单但坚固的与任务相关的表示，而无需渲染图像。在部署过程中，使用基于Swin-Transformer的门检测器。我们的方法可实现具有标准，现成的硬件的自动敏捷飞行。尽管我们的演示侧重于无人机赛车，但我们认为我们的方法超出了无人机赛车的影响，可以作为对结构化环境中现实世界应用的未来研究的基础。
2024 年阿萨姆邦大象数量估计
大象一直是阿萨姆邦神话、民间传说和文化遗产中不可或缺的一部分。大象与该地区的联系可以追溯到几个世纪前，象征着力量、权力和王室权威。这种文化联系的一个历史例子是阿萨姆邦伟大的国王库马尔·巴斯卡·瓦尔马（公元 594 年至 650 年）的官方印章上印有大象的形象。大象也深深植根于阿萨姆邦的民间传说中，经常出现在故事和艺术中。它们的重要性在古代文献中得到了进一步强调，例如 Hastividyarnava，这是一本关于大象管理的综合论文，讨论了从大象行为到其文化和象征意义的方方面面。这些文献不仅反映了对大象的崇敬，还反映了对大象在阿萨姆邦环境和社会中的作用的深刻理解。这些文化联系凸显了它们作为遗产和关键物种的象征的持续重要性，通过它们的生态作用塑造了阿萨姆邦的景观。
基于无人机的甲烷排放测量值的几种不确定性来源的定量估计
摘要。甲烷排放的现场水平测量值由操作员与自下而上的散布清单进行对帐，以提高所报告排放的准确性，彻底和确定。在这种情况下，至关重要的是避免测量错误并了解测量不确定性。遥远的飞机系统（通常称为“无人机”）可以在现场级甲烷排放的量化中起关键作用。典型的实现使用“质量平衡方法”来量化排放，高精度甲烷传感器以垂直窗帘模式安装在四极管无人机上。然后可以根据测量的甲烷浓度数据和同时的风数据在事后计算总质量排放率。受控释放测试表明，使用质量平衡方法的错误可能是相当大的。例如，Liu等。（2024）报告了测试的两个无人机解决方案的绝对错误超过100％；另一方面，如果在数据上放置了其他约束，则误差可能会小得多，在Corbett和Smith（2022）中的根平方错误的顺序，将分析限制在风场稳定的情况下。在本文中，我们提出了对物理现象的系统误差分析，该分析影响了与甲烷浓度数据获取和后处理有关的参数质量平衡方法中的误差。这些来源的示例包括单独分析了词的来源，并且必须意识到，实践中可以积累单个错误，并且也可以由未包含在本工作中的其他来源增加它们。
深度学习实时卫星对张量处理单元的姿势估计
I.简介基于v iSion的导航是下一代On-On-On-On-On-On-Os-andActivedEbrisredebremoval任务的关键技术。在这些情况下，指导和控制定律应采用相对的Chaser-Chaser-Toget姿势（即位置和态度）喂食，这可能会从单眼图像中方便地估算，因为这些传感器是简单，光线的，并且消耗了很少的功率。传统上，图像处理算法分为1）手工制作的特征[1,2]和2）基于深度学习的[3-14]。然而，前者受到较低鲁棒性的影响，对典型的空间图像特征（例如，信噪比低，严重和迅速变化的照明条件）和背景。神经网络（NNS）可以通过适当的培训克服此类弱点，但通常会导致高计算负担，这与典型的船上处理能力几乎不兼容。
将AI基准数据映射到通过专家启发的定量风险估计
文献和多位专家指出了大型语言模型（LLM）的许多潜在风险，但对实际危害的直接测量仍然很少。AI风险评估到目前为止一直集中在衡量模型的功能上，但是模型的功能只是风险的指标，而不是衡量风险的指标。更好地建模和量化AI风险方案可以帮助桥接这种断开连接，并将LLM的功能与有形现实世界的危害联系起来。本文通过证明如何使用现有的AI基准来促进风险估计的创建，从而为该领域做出了早期贡献。我们描述了一项试点研究的结果，其中专家使用AI基准Cybench的信息来生成概率估计。我们表明，对于此目的，该方法似乎很有希望，同时指出可以进一步加强其在定量AI风险评估中的应用。