XiaoMi-AI文件搜索系统
World File Search System自动
测试如何影响与陌生人使用和共享自动班车的意愿：中介E
摘要本研究研究了在郊区接受共享自主班车（SASS）的接受。模型通过对SASS的信任和技术乐观的信任进行了上下文变量的模型。我们检查了使用Sass而没有管家的意图和社会疏远的重要性。数据分别在2020-2021涉及922和608名参与者的飞行员的开头和结束时收集数据，在SAE级3级运行。的发现表明，信任和技术乐观主义显着影响使用SASS的意愿，尽管上下文变量显示出最小的影响。老年人和女性表现出较低的信任和乐观，减少了他们的使用意图。这两个小组还认为，在骑行时保持社交距离更为重要。研究表明，未来的飞行员应避免使用未成熟技术并满足特定群体的社会需求的负面影响。
康奈尔大学自动水下车辆
摘要 - Sirius和Polaris是代表康奈尔大学参加AUVSI Robosub 2024比赛的两辆自动驾驶汽车。在过去的一年中，Cuauv成员有无数小时的时间来构建我们的新2024 AUV Sirius。Sirius的上船体压力容器经过精心设计，以增加可及性并减少错误空间，并具有新的矩形轮廓。我们已经设计并集成了电池管理系统，以防止电流过度并最大程度地降低板损坏的风险。此外，我们的新基于伺服的致动系统承诺在完成任务时更可靠。这些进步的目的是建立一个可靠和精确的系统。今年的一个重要战略重点是在两辆车之间的机械和电气系统中都向后兼容。这支持我们整个系统的可靠性。
nvautonet：快速准确的360DEG 3D自动驾驶视觉感知
实现强大而实时的3D感知是自动驾驶汽车的基础。虽然大多数现有的3D感知方法优先考虑检测准确性，但十个忽略了关键方面，例如计算效率，板载芯片部署友好性，对传感器安装偏差的韧性以及对各种VE-HILE类型的适应性。为了应对这些挑战，我们提出了nvautonet：一种专业的鸟类视图（BEV）感知网络 - 针对自动化车辆的明确量身定制。nvautonet将同步的相机图像作为输入，并预测3D信号（例如障碍物，自由空间和停车位）。NVAUTONET架构（图像和Bev Back-bones）的核心依赖于有效的卷积网络，该网络使用Tensorrt优化了高性能。我们的图像到BEV转换采用简单的线性层和BEV查找表，从而确保了快速推理速度。Nvautonet在广泛的专有数据集中受过培训，在NVIDIA DRIVE ORIN SOC上以每秒53帧的速度运行，始终达到升高的感知精度。值得注意的是，Nvautonet表现出对不同汽车模型产生的偏差偏差的韧性。此外，Nvautonet在适应各种车辆类型方面表现出色，这是通过廉价模型的微调程序来促进的，可以加快兼容性调整。
自动疾病阶段阶段分类的glioblastoma- ...
摘要在计算组织病理学领域，计算机辅助诊断系统对于获得各种疾病的患者诊断和有助于精确医学很重要。因此，已经报道了许多关于数字病理图像的自动分析方法的研究。在这项工作中，我们讨论了一种自动提取和疾病阶段分类方法多形胶质母细胞瘤（GBM）组织病理学图像。在本文中，我们使用深层卷发神经网络（深CNN）同时获取功能描述符和分类方案。此外，在这个充满挑战的分类问题中，与其他流行的CNN进行了客观和定量的比较。使用癌症基因组图像的胶质瘤图像的实验表明，我们的网络平均分类准确性为96：5％，而对于更高的交叉验证，其他网络的性能相似，较高的精度为98：0％。深CNN可以以高精度从GBM组织病理学图像中提取显着特征。总的来说，具有深CNN的组织病理学图像的GBM疾病阶段分类非常有前途，并且在大规模组织病理学图像数据的可用性中，深CNN非常适合解决这个挑战性问题。
4K全景摄像机，带自动跟踪技术
视野是指通过摄像头镜头可以看到的区域。它直接反映出远程加入的参与者可以看到多少会议空间。180 度的视野让桌子上的每个人都清晰可见，即使是靠近摄像头或坐在房间边缘的人。
新空间的未来趋势：自动提示和提示
与生产可靠的Geoint相关的挑战之一是地球特征，结构和特征签名的不断发展的本质。此挑战通常与基于活动的智能（ABI）相关联：一种分析方法，该方法可以整合来自多个来源的数据以发现相关模式并确定和表征变化。以变化的速度监视和提取有价值的见解通常需要持续且快速重新审视能力。具有有效捕获动态特征和目标的能力，未来的空间体系结构可以开始发现并建立跨感兴趣的区域领域的关键关联和相互依存关系。商业空间组织正在越来越多地使用大量较小的卫星系统，以提供在快速展开的事件和活动中维持步伐所需的收集频率。
太空自动威胁情报共享（SATIS）
太空 ISAC 运营着一个监测中心，用于监测和向全球太空界报告所有威胁和危险信息。监测中心致力于分析、验证和融合来自不同来源的信息，以追踪对手在地面和太空中的活动。它通过从公开信息、政府合作伙伴共享的信息和成员提交的信息中提取和关联数据来实现这一目标。监测中心使用一组行业采用的框架来关联信息，特别是 MITRE ATT&CK、太空攻击研究与战术分析 (SPARTA) 和 STIX。
LandCover.ai：用于建筑物自动测绘的数据集……
土地覆盖和土地利用的监测和评估在自然资源管理中至关重要。遥感数据和图像处理技术已广泛应用于城市和农村地区的土地描述和变化检测。关于土地利用或土地覆盖的详细信息是各个领域的宝贵信息来源，例如城市规划[30,43]、变化检测[17]、植被监测[2]，甚至军事侦察。土地覆盖变化是环境变化[38,37]、森林覆盖动态[32]和退化[21]的指标，也是生物多样性监测的方法之一[31]。此类数据可用于研究景观中发生的过程，例如各种土地覆盖之间的流动 [ 16 ]，从而可以研究城市化、森林砍伐、农业强度和其他人为变化的速度。
可扩展的高斯流程变量自动编码器
稀疏的高斯过程。在稀疏的高斯过程近似过程中已经进行了一系列工作，可以追溯到Snelson和Ghahramani（2006），Qui〜nonero-Candela和Rasmussen（2005）等。这些稀疏方法中的大多数都依赖于一个汇总的一组，称为诱导点，主要是选择这些点的确切方式。在Titsias（2009）中首先考虑了诱导点的变异学习，并被证明会导致显着的性能提高。而不是在非变化稀疏模型中使用近似边缘的GP可能性，而是在确切的GP边际可能性上的下限被得出并用作训练目标。与我们工作相关的另一种方法是Hensman等人的随机变异方法。（2013），作者提出了一个稀疏模型，除了降低GP复杂性外，还可以在小型批次中训练，从而使（极其）大型数据集使用GP模型。