XiaoMi-AI文件搜索系统
World File Search System校准参数
Microsoft Word - Draft_In_Situ_Camera_Calibration_Guideline.docx
背景指南提供了实现机载相机系统度量校准的步骤，并规定了构建现场、交叉路口校准和测试范围。这些步骤基于胶片和数字航空相机系统的成功度量校准。为了准确校准相机系统，在数据收集飞行之前、期间和之后必须遵循几个步骤。这些指南最初仅限于矩形框架相机，而不是推扫式相机。校准飞行后应准备一份校准结果报告，包括校准参数及其精度。随着胶片相机被数码相机取代，这些新指南将对遥感界有所帮助。指南包括 Z/I DMC II 数字相机和 Z/I TOP 胶片相机的现场校准示例以及典型校准范围。这些示例包括航空系统校准现场方法的结果，包括总结分析和校准报告。总之，完成机载相机系统校准所需的步骤如下：
文章 基于 6-DoF AI 导航算法开发的自动数据注释
摘要：准确估计图像中物体的六自由度 (6-DoF) 姿势对于各种应用至关重要，例如机器人、自动驾驶、无人驾驶飞机系统 (UAS) 的自主、人工智能和基于视觉的导航。开发此类算法需要大量数据集；然而，生成这些数据集非常繁琐，因为它需要注释图像中每个感兴趣物体相对于相机的 6-DoF 相对姿势。因此，这项工作提出了一种新颖的方法，可以自动化数据采集和注释过程，从而将注释工作量最小化到录制持续时间。为了最大限度地提高生成的注释质量，我们采用基于优化的方法来确定相机的外部校准参数。我们的方法可以处理场景中的多个物体，自动为每个物体提供地面真实标记，并考虑不同物体之间的遮挡效应。此外，我们的方法不仅可用于生成 6-DoF 姿势估计和相应 3D 模型的数据，还可扩展到对象检测、实例分割或任何类型对象的体积估计的自动数据集生成。
通过STHM技术对热导率的定量测量：测量，校准方案和不确定性评估
摘要：热管理是电子组件缩减尺寸以优化其性能的关键问题。这些设备结合了越来越多的纳米结构材料，例如薄膜或纳米线，需要适合表征纳米级热性能的测量技术，例如扫描热显微镜（STHM）。在活动模式下，热热探针扫描样品表面，其电阻R随着探针和样品之间的热传递的变化而变化。本文提出了使用STHM技术对热导率进行定量和可追溯测量而开发的测量和校准方案，前提是校准和测量之间的热传递条件是相同的，即本研究的扩散热方案。在宏观上测得的K的校准样品用于建立将R与K的变化连接的校准曲线。对校准参数和估计的k值详细介绍了对不确定性（影响因素和计算技术）的完整评估。结果分析表明，使用STHM的热导率的定量测量（不确定性值为10％）仅限于导热率较低的材料（K <10 W m -1 K -1）。
基于机器学习的复合材料中观本构模型多尺度校准：应用于脑白质
摘要 提出了一种用于改进复合材料本构建模的模块化流程。该方法可用于开发特定受试者的空间变化脑白质力学性能。对于此应用，从扩散磁共振成像 (dMRI) 扫描中提取白质微观结构信息，并用于生成数百个具有随机分布纤维特性的代表性体积元素 (RVE)。通过对这些 RVE 自动运行有限元分析，可以生成与多个 RVE 特定载荷情况相对应的应力-应变曲线。然后针对每个 RVE 校准一个使 RVE 行为均质化的中观本构模型，从而针对每组 RVE 微观结构特征生成一个校准参数库。最后，实现一个机器学习层，直接从任何新的微观结构预测本构模型参数。结果表明，该方法可以高精度地预测校准后的中观材料性能。更一般地说，当提供实验测量的特定位置的纤维几何特性时，整体框架可以有效模拟复合材料的空间变化机械行为。
机器学习对自然科学好还是坏？
抽象的机器学习（ML）方法对所有科学产生了巨大影响。但是，ML具有强大的本体论（只有数据存在），并且是一个强大的认识论，其中模型在持有培训数据上表现良好，则认为该模型被认为是好的。这些哲学与自然科学中的标准实践和关键哲学持强烈冲突。在这里，我们在自然科学和认识论具有有价值的自然科学中确定了ML的一些位置。例如，当在因果推理中使用表达的机器学习模型来表示混杂因素的效果，例如前景，背景或仪器校准参数，ML的模型容量和宽松的哲学可以使结果更加值得信赖。我们还表明，在某些情况下，ML的引入引入了强烈的，不必要的统计偏见。对于一个，当使用ML模型模拟物理（或第一原理）模拟时，它们会扩大确认偏见。对于另一个，当使用表达回归来标记数据集时，这些标签不能在下游关节或集合分析中使用而无需进行不受控制的偏见。标题中所有自然科学的问题都在问。也就是说，我们呼吁科学社区退后一步，并考虑ML在其领域的作用和价值。我们在这里给出的（部分）答案是从物理学的特定角度出发的。
定量DCE-US成像协议的新校准设置：朝标准化
方法：此校准方法已被设计为易于重现和优化，从而减少了所需的时间和成本。它是基于原始设置，其中包括使用浓度分离器来测量从时间强度曲线（AUC）下从面积（AUC）获得的谐波信号强度的变化作为各种对比剂浓度的函数。分离器提供了4种不同的浓度，同时从Sonovue™对比剂的初始浓度的12.5至100％不等（Bracco Imaging S.P.A.，米兰，意大利），在单个注射中测量4个AUC。AUC的图作为四个对比剂浓度的函数表示谐波信号的强度变化：斜率是校准参数。通过这种方法的标准化暗示，两代超声扫描仪都必须具有相同的斜率为校准。此方法已在同一制造商（Aplio500™，Aplioi900™，佳能医疗系统，日本东京）的两个超声扫描仪上进行了测试。APLIO500™使用了最初的多中心DCE-US研究定义的设置。已经调整了Aplioi900™的机械索引（MI）和颜色增益（CG），以匹配Aplio500™的颜色。根据测量可重复性评估了新设置的可靠性，一旦对两个超声扫描仪进行校准，获得的测量值之间的一致性可重复性。
使用
关键词：光束法区域网平差、自校准、系统校准、非度量相机 摘要 使用市售的非度量相机（例如佳能、尼康）进行摄影测量操作正变得非常流行。使用它们的原因有几个，例如有效载荷更轻、传感器成本低、尺寸更小，以适应有限的机载空间（例如无人机作为数据采集平台）、快速周转项目、易于更换等。与使用数字高分辨率度量图像传感器（Hexagon DMC、Microsoft Vexcel UltraCam 系统等）相比，所有这些属性都具有优势。然而，为了获得接近使用度量系统获得的结果，必须考虑上述非度量图像传感器的所有系统误差；对它们进行建模并消除（或尽量减少）它们对所获取图像的影响。本文回顾了与使用非度量图像传感器相关的功能和随机模型。将关注传感器内部校准参数，即校准焦距、主点、对称 - 非对称 - 切向镜头畸变模式和可能严重扭曲所获取图像的其他偏差。为此，使用焦距为 50 毫米的尼康 D810 数码相机在摄影测量测试场区域“Franklin Mills Mall”进行相机校准。该场地覆盖了多个飞行高度，分别产生 15 和 30 厘米 GSD 的图像。飞行了两个垂直摄影测量飞行带，具有高端搭接和侧搭接。测试场区域拥有大约 25 个目标控制和检查点，这些点的测量精度为 2 厘米或更高。使用 PIX4Dmapper（专为从无人机或地面获取的图像而创建的软件包）对上述图像进行自动空中三角测量。导出图像观测结果（ASCII），并使用汉诺威莱布尼茨大学程序系统 BLUH 进行相应的束流区域调整，该系统能够通过附加参数（十二个标准加上不同失真模式的中型非度量数字相机）进行自我校准。调查中使用了不同数量和分布的地面控制点 (GCP) 和检查点 (ChkPts)。本文介绍了结果。
BI Guido 等人：一种评估基于自然的解决方案的影响的综合建模方法 2673
（美国陆军工程兵团，2021 年）。校准程序通过自动校准每个子流域的参数来执行。如果子流域在出口处有洪水计，则单独校准参数。如果没有，则同时校准多个子流域。校准从上游到下游逐步进行。图 7、8 和 9 显示了八个洪水测量站对飓风马修和佛罗伦萨的模拟水文图。总体而言，两个飓风模型都很好地校准了观测到的水文图趋势。根据表 5 所示的性能指标结果，获得的校准精度良好。校准后的参数显示出特定的趋势，可以比较两种飓风的行为。马修模型校准所需的 CN 值高于弗洛伦斯模型，这可能表明前一次事件期间的前期湿度条件 (AMC) 更潮湿。这一观察结果与其他关于伦伯河这些风暴的研究相符（北卡罗来纳州应急管理部门，2018 年；Doll 等人，2020 年），并与 Williams 等人 (2020 年) 的发现一致，他们强调了飓风马修前一个月的大量降雨。此外，据观察，在两次飓风模拟中，大多数校准的 CN 值都在干燥和正常 AMC 之间的估计范围内。这种影响可以归因于流域土壤中的干燥 AMC；然而，这与之前关于飓风马修之前一个潮湿月份的发现相矛盾。另一种解释可以归因于水滞留和积水效应，预计这些效应会减少流域的总径流量。此外，水滞留和积水效应会影响校准的蓄水系数和集水时间，导致校准的蓄水系数和集水时间通常高于最初估计值。伦伯顿洪水站的水文图显示双峰行为，有两个明显的洪水峰值，一个发生在降雨高峰当天，另一个发生在 3 至 4 天后（见图 7）。据推测，第一个峰值对应于子流域对洪水的反应，而第二个峰值是由来自上游部分的延迟流量产生的。上游流域的行程时间值比预期的要大得多，