XiaoMi-AI文件搜索系统
World File Search SystemAdaptation
通过粗到精特征自适应实现跨域目标检测
近年来，基于深度学习的目标检测取得了长足的进步。然而，由于域转移问题，将现成的检测器应用于看不见的域会导致性能大幅下降。为了解决这个问题，本文提出了一种新的由粗到细的特征自适应方法用于跨域目标检测。在粗粒度阶段，与文献中使用的粗糙的图像级或实例级特征对齐不同，采用注意机制提取前景区域，并通过在公共特征空间中多层对抗学习根据其边缘分布进行对齐。在细粒度阶段，我们通过最小化来自不同域但属于同一类别的全局原型的距离来进行前景的条件分布对齐。由于这种由粗到细的特征自适应，前景区域中的领域知识可以得到有效的迁移。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了所提出方法的广泛适用性和有效性。
社会对高级人工智能的适应
现有的管理高级人工智能系统风险的策略通常侧重于影响开发哪些人工智能系统以及它们如何传播。然而，随着高级人工智能开发者数量的增长，这种方法变得越来越不可行，并且会阻碍有益的用例和有害的用例。作为回应，我们敦促采取一种补充方法：提高社会对高级人工智能的适应性，即减少给定人工智能能力在给定水平的传播所带来的预期负面影响。我们引入了一个概念框架，该框架有助于识别避免、防御和补救人工智能系统潜在有害用途的自适应干预措施，并以选举操纵、网络恐怖主义和人工智能决策者失去控制权为例进行了说明。我们讨论了社会可以实施的适应人工智能的三步循环。提高社会实施这一循环的能力可以增强其对高级人工智能的抵御能力。我们最后向政府、行业和第三方提出了具体的建议。
无监督域适应性的对比度适应网络
深度神经网络的最新进展成功地改善了各种学习问题[40，8，26，19，20]。但是，对于监督学习，大量的训练数据仍然是学习准确的深层模型的关键。尽管可能可用于一些预先规定的域，例如ImageNet [7]，但对于每个临时目标域或任务而言，手动标签通常很难或昂贵。缺少IN-ININAIN标记的数据阻碍了在许多实际问题中拟合模型的应用。在没有来自目标域的标记数据的情况下，已经出现了无监督的域适应（UDA）方法，以减轻数据分布的域移动[2，1，1，5，37，30，18，3，3，17]。它与无监督的学习有关，因为它仅需要从源域和目标域的零标签手动标签。在最近关于UDA的工作，这是Long等人提出的开创性工作。[22，25]旨在最大程度地减少深神经网络中源和目标域之间的差异，在此，在该网络中，域差异通过最大值
气候行动顾问：改编专家
●对工人合作社的熟悉和/或热情●在城市和区域规划方面的经验●具有地理信息系统（GIS）（GIS）和GIS软件（例如QGIS或ARCGIS）的经验●加拿大规划师研究所（CIP）或美国认证计划者研究所（CIP）（AICP）（AICP）名称（P. eng。） 指定●项目管理专业人员（PMP）指定●具有市政资产管理计划的经验●具有能源公用事业数据的经验●具有公司规模能源分析的经验●具有多样性，公平性和包容性倡议的经验，尤其是在小型组织中，尤其是在建立脱碳和运输技能方面的熟悉型熟悉的经验●良好的协商疗法●熟悉的经验●良好的交通事容●良好的稳定范围●良好的稳定范围|生活经验●其他语言的流利性或熟练程度，尤其是法语，西班牙语和土著语言eng。）指定●项目管理专业人员（PMP）指定●具有市政资产管理计划的经验●具有能源公用事业数据的经验●具有公司规模能源分析的经验●具有多样性，公平性和包容性倡议的经验，尤其是在小型组织中，尤其是在建立脱碳和运输技能方面的熟悉型熟悉的经验●良好的协商疗法●熟悉的经验●良好的交通事容●良好的稳定范围●良好的稳定范围|生活经验●其他语言的流利性或熟练程度，尤其是法语，西班牙语和土著语言
egecentric 3D手姿势估计的单一对偶视图改编
对准确的3D手姿势估计的追求是理解以自我为中心视力领域的人类活动的基石。大多数现有估计方法仍然依赖单视图像作为输入，从而导致潜在的局限性，例如，深度有限的视野和义务。解决这些问题，添加另一个相机以更好地捕获手的形状是实践方向。然而，现有的多视图手姿势姿势方法具有两个主要缺点：1）重新训练的多视图注释，这些注释是备用的。2）在测试过程中，如果相机参数/布局与训练中使用的相同，则模型将变为inpapplicable。在本文中，我们提出了一种新颖的单算观看改编（S2DHAND）解决方案，该解决方案将预先训练的单视估计器适应双视图。与现有的多视图训练方法相比，1）我们的适应过程是无监督的，消除了对多视图注释的需求。2）此外，我们的方法可以处理带有未知相机参数的Arbitarary双视图对，从而使该模型适用于不同的相机设置。具体来说，S2DHAND建立在某些立体声约束上，包括两种视图之间的成对跨视图共识和转换的不变性。这两个立体声约束以互补的方式使用来进行伪标记，从而允许可靠的适应性。评估结果表明，在内部和跨数据库设置下，S2DHAND在任意摄像机对上实现了重大的实现，并且胜过具有领先性能的现有适应方法。项目页面：https：//github.com/ut-vision/s2dhand。
视觉模型的有效测试时间适应
通过预训练的视觉模型进行测试时间适应，引起了越来越多的关注，以应对测试时间的分离转移。尽管事先实现了非常有前途的性能，但它们会进行密集的计算，这与测试时间适应非常不规则。我们设计了TDA，这是一种无训练的动态适配器，可通过视觉模型进行有效，有效的测试时间适应。tda可与轻巧的键值缓存一起使用，该缓存维持具有很少射击伪标签的dy-namic队列作为值，而相应的测试样本特征则是键。杠杆键值缓存，TDA允许通过渐进式伪标签的细化逐渐调整数据，而逐步测试数据，而不会产生任何反向传播。此外，我们引入了负伪标记，即当模型不确定其伪标签预测时，通过将伪标签分配给某些负类时，可以减轻伪标签噪声的不利影响。在两个基准上进行的广泛实验表明，与最先进的艺术品相比，TDA的实体有效性和效率。该代码已在https：//kdiaaa.github.io/tda/中发布。
气候变化改编的创新
Springer Cham Heidelberg New York Dordrecht London©Springer International Publishing Switzerland 2016这项工作均具有版权。所有权利都是由出版商保留的，无论材料的全部或部分都涉及，都可以涉及翻译，重印，重新使用，插图，朗诵，广播，对微型企业或以任何其他物理方式或任何其他物理方式复制，以及以任何其他物理方式，以及传播或信息存储和检索，电子适应，计算机软件，相似或相似的方法，或者现在已知或不知情的方法。使用一般描述性名称，注册名称，商标，服务标记等。在本出版物中，即使在没有特定陈述的情况下，这种名称也不受相关的保护法律和法规的限制，因此也没有暗示，因此可以免费使用。出版商，作者和编辑可以肯定地假设本书中的建议和信息在出版之日被认为是真实而准确的。关于本文包含的材料或可能犯的任何错误或遗漏，发布者，作者或编辑都没有提供明示或暗示的保修。