ACET

2025年3月4日机构名称:

比较在电荷方案和温度的几个参数下，快速充电对三个锂离子细胞周期寿命的影响

几次学习（FSL）的目的是学习如何从少数培训检查中认可图像类别。一个核心挑战是，可用的培训检查通常不足以确定哪些视觉效果是所考虑类别中最具特征的。为了应对这一挑战，我们将这些视觉特征组织成方面，从直观地将相同的特征分组（例如，与形状，颜色或纹理相关的功能）。这是从以下假设中的动机：（i）每个方面的重要性因类别而异，并且（ii）可以从类别名称的预训练的嵌入中预测Facet的重要性。尤其是我们提出了一种自适应的相似性度量，依靠对给定类别的预测的重要性权重。该措施可以与各种现有的基于度量的甲基甲化组合使用。在迷你胶原和CUB上进行的实验表明，我们的方法改善了基于公制的FSL的最新方法。

查看详细

File

2025年2月26日机构名称:

黑客和高级学习的多方面世界

黑客技术的快速发展以及高级学习技术（例如人工智能（AI），机器学习（ML）和深度学习（DL）等高级学习技术的日益增长的一体化已经创造了一个复杂的数字生态系统。随着技术的进步，黑客使用的方法（无论是恶意和道德）越来越复杂。同时，AI和ML在网络安全中的不断增长正在重塑如何开发和部署防御机制。本文探讨了黑客学习与高级学习之间的交集，分析了这些领域相互影响的方式。通过详细探索AI和ML如何改变黑客方法，道德黑客攻击和网络安全教育，本文深入研究了在黑客景观和网络安全专业人员的发展中所存在的复杂性，道德问题以及挑战。此外，本文研究了该交叉路口的潜在未来，尤其是量子计算的影响以及网络安全教育中跨学科方法的必要性。

查看详细

File

2024年9月25日机构名称:

FACET：使用椭圆建模实现快速准确的基于事件的眼动追踪，实现扩展现实

摘要 — 眼动追踪是扩展现实 (XR) 中基于凝视的交互的关键技术，但传统的基于帧的系统难以满足 XR 对高精度、低延迟和低功耗的要求。事件摄像机由于其高时间分辨率和低功耗而提供了一种有前途的替代方案。在本文中，我们提出了 FACET（快速准确的基于事件的眼动追踪），这是一种端到端神经网络，可直接从事件数据输出瞳孔椭圆参数，针对实时 XR 应用进行了优化。椭圆输出可直接用于后续基于椭圆的瞳孔追踪器。我们通过扩展带注释的数据并将原始掩模标签转换为基于椭圆的注释来训练模型，从而增强了 EV-Eye 数据集。此外，采用了一种新颖的三角损失来解决角度不连续性问题，并提出了一种快速因果事件体积事件表示方法。在增强版 EV-Eye 测试集上，FACET 实现了平均瞳孔中心误差 0.20 像素，推理时间为 0.53 毫秒，与现有技术 EV-Eye 相比，像素误差和推理时间分别减少了 1.6 倍和 1.8 倍，参数和算术运算减少了 4.4 倍和 11.7 倍。代码可在 https://github.com/DeanJY/FACET 上找到。

查看详细

File

2024年1月24日机构名称:

OACETT 技术报告标题：可持续机械...

1.0 简介................................................................................................................................ 1

查看详细

File

2023年8月25日机构名称:

CleanSpacetm EX Power单元PAF-0060数据表

飞林，iiib用于非导电灰尘。▪地下采矿的设备保护水平，MA，用于非常高保护的MB，用于高保护。▪温度类别，T4的135°C，T3为200°C。▪灰尘的温度类别，T150-最高表面温度150°C。▪其他气体的设备保护水平，GA - 非常高保护，GB - 高保护。▪尘埃的设备保护水平，DA-非常高保护，DB-高保护

查看详细