XiaoMi-AI文件搜索系统
World File Search System实例
sos：带有对象priors的开放世界实例分割的段对象系统
摘要。我们为开放世界实例（OWIS）提出了一种方法，该任务旨在通过从训练过程中的一组有限的带注释的对象类中概括图像中的任意未知的观察。我们的细分对象系统（SOS）明确地解决了最先进系统的概括能力和低精度，这些系统通常会生成背景检测。为此，我们基于基础模型SAM [27]生成了高质量的伪注释。我们彻底研究了各种对象先验，以引起SAM的提示，并明确将基础模型集中在观察上。最强的物体先验是通过自我监督视觉变压器的自我发项图获得的，我们用来促使SAM。最后，SAM的后处理片段用作伪注释来训练标准实例分割系统。我们的方法在可可，LVI和ADE20K数据集上显示出强大的概括能力，并且与最先进的方法相比，精度提高了高达81.6％。源代码可用：https：//github.com/chwilms/sos
一种用于高效且有效的 Transformer 微调的量子退火实例选择方法
近年来，深度学习方法因其解决复杂任务的能力而变得无处不在。然而，这些模型需要庞大的数据集才能进行适当的训练和良好的泛化。这意味着需要很长的训练和微调时间，对于最复杂的模型和大型数据集，甚至需要几天的时间。在这项工作中，我们提出了一种新颖的量子实例选择 (IS) 方法，该方法可以显着减少训练数据集的大小（最多 28%），同时保持模型的有效性，从而提高（训练）速度和可扩展性。我们的解决方案具有创新性，因为它利用了一种不同的计算范式——量子退火 (QA)——一种可用于解决优化问题的特定量子计算范式。据我们所知，之前还没有尝试使用 QA 解决 IS 问题。此外，我们针对 IS 问题提出了一种新的二次无约束二元优化公式，这本身就是一项贡献。通过对多个文本分类基准进行大量实验，我们通过经验证明了我们的量子解决方案的可行性和与当前最先进的 IS 解决方案的竞争力。
MarineSt：使用实例视觉描述的海洋图像分析的基础模型
摘要。最近在大量数据的基础模型中表现出了广泛的计算机视觉任务和应用程序领域的巨大希望。但是，对海洋领域的关注较少，相比之下，这涵盖了我们蓝色星球的大多数。标记数据的稀缺性是最受阻碍的问题，海洋照片说明了与一般空中图像的外观和内容的明显不同。使用现有的基础模型进行海洋视觉分析不会产生令人满意的性能，这不仅是数据分布的变化，而且还因为现有基础模型的内在限制（例如，缺乏语义，冗余掩码生成或限于图像级别的场景理解）。在这项工作中，我们强调了了解海洋生态系统的模型和数据方法。我们介绍了MarineSt，这是一个使用实例视觉描述分析海洋领域的基础模型，该模型可为海上对象实例输出实例掩盖和字幕。to
实例关系图指导的无源域自适应对象检测
无监督的域适应性（UDA）是解决域转移问题的有效方法。特别是UDA方法试图对齐源和目标代表，以改善对目标域的概括。，UDA方法在适应过程中可以访问源数据的假设下起作用。但是，在实际情况下，由于隐私法规，数据传输限制或专有数据关注，标记的源数据通常受到限制。源 - 自由域适应（SFDA）设置旨在通过对目标域进行源训练的模型来减轻这些问题，而无需访问源数据。在本文中，我们探讨了自适应对象检测任务的SFDA设置。为此，我们提出了一种新颖的培训策略，以使源训练的对象将对象降低到目标域而没有源数据。更重要的是，我们通过利用给定目标域输入的对象关系来设计一种新颖的对比损失，以增强目标表示形式。这些对象实例关系是使用实例关系图（IRG）网络建模的，然后将其用于指导对比度代表学习。此外，我们还利用学生教师将知识从源训练的模型提高到目标域。对多个OB-JECT检测基准数据集进行了广泛的实验表明，所提出的方法能够有效地适应源训练的对象检测器对目标域，超过了最先进的域自适应检测方法。代码和模型在https://viudomain.github.io/irg-sfda-web/中提供。
树实例细分和特征估计林业环境利用移动机器人收集的LIDAR数据
摘要 - 森林在我们的生态系统中起着至关重要的作用，充当碳汇，气候稳定剂，生物多样性中心和木材来源。根据其规模的本质，监视和维护森林是一项艰巨的任务。林业中的机器人技术可能有可能实现高效和可持续的森林实践。在本文中，我们解决了通过利用移动平台收集的LIDAR数据自动生产森林清单的问题。要构建库存，我们首先从点云中提取树实例。然后，我们处理每个实例以提取林业清单信息。我们的方法提供了“胸高直径”的每个树几何特征，以及一个地块中的单个树位置。我们验证了我们的结果，以实地试验期间森林人收集的手动测量结果。我们的实验显示出强大的细分和树状估计表现，这强调了自动化林业服务的潜力。结果与该域中使用的流行基线方法相比，结果表现出了出色的性能。
实例对室外监视方案中事件相机流的分割
摘要：事件摄像机是一种新型图像传感器。这些传感器的像素彼此独立地和彼此独立运行。传感器输出是一个可变的速率数据流，该数据流在时空上编码亮度变化的检测。这种类型的输出和传感器操作范例为计算机视觉应用构成了处理的处理，因为基于框架的方法并非本地适用。我们在基于事件的室外监视的背景下，对不同最新的基于深度学习的实例分割方法进行了首次系统评估。用于处理，我们考虑将事件输出流转换为不同维度（包括点，体素和基于框架的变体）的表示。我们介绍了一个新的数据集变体，该变体在每个输出事件的实例级别以及基于密度的预处理以生成感兴趣的区域（ROI）。实现的实例分割结果表明，基于事件的域的现有算法的适应是一种有希望的方法。
实例依赖信心和早期停止...
强化学习算法已知可以根据问题结构表现出多种收敛率。近年来，在开发依赖实例的理论以及实现此类实例最佳保证的算法中取得了很大的进步。但是，如何将这些概念用于推论目的或提早停止，因此仍然存在重要的问题，以便可以为“简单”问题保存数据和计算资源。本文开发了与数据相关的程序，这些过程与实例相关的信心区域进行评估和优化马尔可夫决策过程中的策略。值得注意的是，我们的过程仅需要黑框访问实例 - 最佳算法，然后重复使用估计算法本身中使用的样品。由此产生的数据依赖性停止规则适应了问题的实例特异性，并允许提早终止有利结构的问题。我们通过一些数值研究强调了这种早期停止规则的好处。关键字：强化学习，策略评估，信心间隔，实例依赖性，实例最佳性
生成环境代表性基于实例的学习：认知模型
基于实例的学习理论（IBLT）建议Humans通过积累经验，以决策任务特征，执行的动作以及决策结果的实用性来学习动态决策任务。该理论已应用于在各种情况下基于实例的学习模型（IBL）模型。所有IBL模型应用程序的一个关键功能是累积基于实例的内存和基于识别识别的检索的方法。在几乎没有功能的简单任务中，可以假设使用所有相关信息来假设这些知识代表和检索。但是，当详尽的特征枚举不可行时，这些方法不能很好地扩展到复杂的任务。这要求认知建模者设计状态特征的任务特定表示以及相似性指标，这些指标可能很耗时，并且无法推广到相关任务。为了解决这个问题，我们利用人工神经网络（特别是常规模型（GMS））中的最新广告来学习复杂的动态决策制定任务的表示，而无需依赖领域知识。我们评估了一系列GM在形成表示代表方面的有用性，这些代表可以被IBL模型用于预测复杂决策任务中的人类行为。这项工作通过使用GMS形成表示形式并确定相似性来连接生成和认知模型。
使用实例和实体中心分割损失函数
在本文中，我们提出了一种新型的两组分损失，用于生物医学图像分割任务，称为实例和实例中心（ICI）损失，这是一种损失函数，在使用像素损失功能（例如骰子损失）时，通常会遇到实例不平衡问题。实例组件改善了具有大型和小实例的图像数据集中的小实例或“斑点”的检测。实体中心组件提高了整体检测准确性。我们使用ATLAS R2.0挑战数据集的Miccai 2022。与其他损失相比，ICI损失提供了更好的平衡分段，并以改进1的改善而显着超过了骰子损失。7-3。7％，斑点损失为0。6-5。0％的骰子相似性系数在验证和测试集中，这表明ICI损失是实例不平衡问题的潜在解决方案。关键字：实例和实体中心细分损失，细分损失。
半程离散对数问题某些实例的有效量子算法
半程离散对数问题（SDLP）是在有限半群中的半飞行乘积g⋊端（g）中标准离散对数问题的以下类似物。给定的g∈G，σ∈End（g），对于某些整数t，sdlp（g，σ），h = q t - 1 i =0σi（g），g和h要求确定t。由于Shor的算法至关重要地取决于通勤性，因此认为不适用于SDLP。以前，SDLP最著名的算法是基于Kuperberg的子分数时间量子算法。仍然，该问题在半独立产品密钥交换家族中某些提议的密码系统的安全性中起着核心作用。这包括最近提出的称为SPDH-SIGN的签名协议。在本文中，我们表明SDLP在某些重要的特殊情况下更容易。具体而言，对于有限的G组，我们描述了g⋊aut（g）中SDLP的量子算法（g）的两类实例：第一个是g可以溶解，第二个是g是矩阵组，而g是一个矩阵组，并且具有多物质上的小指数是g的内部自动化。我们将结果进一步扩展到由这些类别的因素组成的组。的结果是，在上述情况下，SPDH-SIGN和类似的加密系统基于SDLP假定的硬度，这是针对量子攻击的不安全。我们所依赖的量子成分并不是什么新鲜事物：这些是Shor的保解和离散的对数算法和众所周知的概括。