XiaoMi-AI文件搜索系统
World File Search System挑战赛
头脑风暴 SEEG 挑战赛 2024 - 黑客马拉松和研讨会
这一宝贵的数据集为多项关键挑战提供了机会。其中一项挑战是了解人们在编码新记忆（例如视频内容的记忆）时大脑如何对信息进行优先排序。动物研究的著名理论和发现表明，巩固此类记忆涉及在睡眠和休息期间重播神经模式（参见 Liu 等人，2019 年；van der Meer 等人，2020 年）；然而，几乎没有关于人类这些机制的直接证据。确认人类在睡眠期间的重播对于已知与睡眠障碍有关的精神健康障碍（例如焦虑和抑郁）具有重要意义。因此，这一挑战将使我们能够研究信息在睡眠期间存储和重新激活的基本机制。
第五届 AI 城市挑战赛
AI 城市挑战赛的创立秉承两个目标：（1）推动智能视频分析研究和开发的边界，以实现更智能的城市用例；（2）评估性能水平足以引起现实世界采用的任务。交通运输是适合采用该技术的一个领域。第五届 AI 城市挑战赛吸引了来自 38 个国家的 305 支参赛队伍，他们利用城市规模的真实交通数据和高质量的合成数据在五个挑战赛道上展开角逐。赛道 1 涉及基于视频的自动车辆计数，评估内容包括算法有效性和计算效率。赛道 2 涉及城市规模的车辆重新识别，使用增强合成数据大幅增加了该任务的训练集。赛道 3 解决了城市规模的多目标多摄像头车辆跟踪问题。赛道 4 解决了交通异常检测问题。赛道 5 是一条新赛道，使用自然语言描述解决车辆检索问题。评估系统显示了所有提交结果的一般排行榜，以及仅限于比赛参与规则的结果公开排行榜，其中团队不得在工作中使用外部数据。公开排行榜显示的结果更接近注释数据有限的真实情况。结果显示了人工智能在智能交通中的前景。某些任务的最新性能表明这些技术已准备好在现实世界系统中采用。
人工智能设计挑战赛评分标准
我确定了 AI 如何成为问题的创造性解决方案。我在设计过程中考虑了限制因素。在设计过程中，我预见并解决了解决方案面临的挑战。我从头到尾规划并考虑了用户的体验。我反思了从我的设计经验中获得的见解和成长领域。
第六届人工智能城市挑战赛
第六届人工智能城市挑战赛专门关注两个领域的问题，这两个领域在计算机视觉和人工智能的交叉点上具有巨大的未开发潜力：智能交通系统 (ITS) 和实体零售业务。2022 年人工智能城市挑战赛的四个挑战赛道收到了来自 27 个国家/地区的 254 支队伍的参与请求。赛道 1 涉及城市规模的多目标多摄像头 (MTMC) 车辆跟踪。赛道 2 解决基于自然语言的车辆轨迹检索。赛道 3 是一个全新的自然驾驶分析赛道，其中数据由安装在车辆内的多个摄像头捕获，重点关注驾驶员安全，任务是对驾驶员行为进行分类。赛道 4 是另一个新赛道，旨在仅使用单视角摄像头实现零售店自动结账。我们根据不同的方法发布了两个排行榜，包括比赛公开排行榜（不允许使用外部数据）和所有提交结果的综合排行榜。参赛队伍的顶尖表现建立了强大的基线，甚至超越了拟议挑战赛道中的最先进水平。
移动 NPU 上的实时量化图像超分辨率，移动 AI 2021 挑战赛：报告
图像超分辨率是最流行的计算机视觉问题之一，在移动设备上有许多重要的应用。虽然已经为这项任务提出了许多解决方案，但它们通常甚至没有针对常见的智能手机 AI 硬件进行优化，更不用说通常仅支持 INT8 推理的更受限的智能电视平台了。为了解决这个问题，我们推出了第一个移动 AI 挑战赛，其目标是开发一种基于端到端深度学习的图像超分辨率解决方案，该解决方案可以在移动或边缘 NPU 上展示实时性能。为此，为参与者提供了 DIV2K 数据集和训练过的量化模型，以进行高效的 3 倍图像升级。所有模型的运行时间都在 Synaptics VS680 智能家居板上进行评估，该板具有能够加速量化神经网络的专用 NPU。所提出的解决方案与所有主流移动 AI 加速器完全兼容，能够在 40-60 毫秒内重建全高清图像，同时实现高保真度结果。本文提供了挑战赛中开发的所有模型的详细描述。
2024-25 MS 和 HS_Math 逃脱挑战赛决赛
概述：与“草案”规则相比，如有变化，将以“黄色”突出显示。学生将以两到三人的团队合作，利用他们对年级数学的了解来解决具有挑战性的数学问题。数学问题更侧重于学生使用批判性思维解决问题的能力，而不仅仅是纯粹的计算。除了数学问题之外，学生还将浏览在线密室，目标是以最快的速度“逃脱”。参与物流和限制可能因主办方而异。顾问和学生负责与当地的 MESA 中心核实此信息。这项比赛将在 2024-2025 年以线下形式举行，但也可以以虚拟方式举办，具体取决于主办方。这些规则是为线下活动编写的；但是，它们可以针对虚拟活动进行调整。
人工智能城市挑战赛车辆重新识别实证研究
本文介绍了我们针对 2021 年人工智能城市挑战赛 (AICITY21) 的 Track2 的解决方案。Track2 是一个使用真实世界数据和合成数据的车辆重新识别 (ReID) 任务。在本次挑战中，我们主要关注四个点，即训练数据、无监督领域自适应 (UDA) 训练、后处理、模型集成。（1）裁剪训练数据和使用合成数据都可以帮助模型学习更多判别性特征。（2）由于测试集中有一个在训练集中未出现的新场景，因此 UDA 方法在挑战中表现良好。（3）后处理技术包括重新排名、图像到轨迹检索、摄像头间融合等，可显著提高最终性能。（4）我们集成了基于 CNN 的模型和基于 Transformer 的模型，它们提供了不同的表示多样性。通过上述技巧，我们的方法最终取得了 0.7445 的 mAP 分数，在比赛中获得第一名。代码可在 https://github.com/michuanhaohao/AICITY2021_Track2_DMT 获得。
Minion：2024 年海事 RobotX 挑战赛 Minion 的设计和竞赛策略
摘要 — 安柏瑞德航空大学的 Minion 团队将重返 RobotX，对其卫冕冠军全自动水面舰艇 (ASV) Minion 进行重大改进。Minion 团队的新设计策略和系统工程方法称为 Minion Process，实现了整个团队在学术、研究和团队目标之间的平衡。这种设计策略与重视安全和创新的严格多步骤测试流程相结合，为 Minion 及其无人驾驶飞行器 (UAV) Kevin 带来了不断改进的工具集。这些包括对正在申请专利的新控制方案的软件增强和整个系统的计算机视觉更好地集成，以及对方位电机控制、新无人机功能和新球发射器的硬件改进。该团队对这些工具的赛前评估产生了一个强有力的竞争策略，其基础是最大化分数同时最小化风险。该团队的任务跟踪器 MinionTask 将根据评估的战略价值、已知的路线信息和剩余时间动态选择任务，以优化资格赛、半决赛和决赛中的比赛表现。根据模拟和水上测试的结果，Minion 队有信心完成九项 RobotX 2024 任务中的至少六项，并希望重复其冠军表现。
学习了基于深度学习的移动 NPU 的智能手机 ISP，移动 AI 2021 挑战赛：报告
随着手机摄像头的质量开始在现代智能手机中发挥关键作用，人们越来越关注用于改善手机照片各个感知方面的 ISP 算法。在这次移动 AI 挑战赛中，目标是开发一个基于深度学习的端到端图像信号处理 (ISP) 管道，该管道可以取代传统的手工制作的 ISP，并在智能手机 NPU 上实现近乎实时的性能。为此，参赛者获得了一个新颖的学习到的 ISP 数据集，其中包含使用索尼 IMX586 Quad Bayer 移动传感器和专业的 102 兆像素中画幅相机拍摄的 RAW-RGB 图像对。所有模型的运行时间都在联发科 Dimensity 1000+ 平台上进行评估，该平台配备专用的 AI 处理单元，能够加速浮点和量化神经网络。所提出的解决方案与上述 NPU 完全兼容，能够在 60-100 毫秒内处理全高清照片，同时实现高保真效果。本文提供了本次挑战赛中开发的所有模型的详细描述。