XiaoMi-AI文件搜索系统
World File Search SystemCalib
通过表示本地功能和全局空间上下文
摘要 - LiDar-Camera校准在自主驾驶中起着至关重要的作用。然而，操作诱导的因素（例如物理振动和温度变化）降低了部署前校准精度，从而导致了环境感知性能恶化。最近的重新校准方法通过利用LiDAR和相机的相对属性，在没有目标板的情况下实现了在线校准。尽管如此，我们还是为LIDAR-CAMERA在线校准提供了一个新颖的框架，该框架采用了变压器网络来学习相机与激光雷达传感器之间的重要相互作用。此外，我们的新型框架设计通过利用两个传感器之间的对应点信息来促进有效的校准。这允许利用全球空间上下文，并通过整合跨模态的信息来实现高性能。实验结果表明，与最先进的基准相比，我们的方法证明了表现出色的性能。
AI-HyperCal：使用人工智能已知点识别进行场景内高光谱图像校准
2016 年末，阿勒颇东部落入俄罗斯支持的叙利亚军队手中，朝鲜再次开始加强核试验，遥控飞机 (RPA) 袭击次数最多的一年也结束了。所有这些飞行小时数带来了空中情报、监视和侦察 (ISR) 的上升，导致硬盘溢出，其中包含数百万小时的视频和无数高分辨率静态图像，这些图像被上传到美国空军分布式通用地面系统。1 然而，如果没有图像分析师的处理、利用和分发 (PED)，所有这些数据都毫无意义。PED 确保图像质量高，并且感兴趣的对象具有位置、材料、大小和背景特征。周围的机构时间表、其他物体的位置和人员流动都可能影响最终的情报评估。
使用校准环境的感知系统的联合固有和外在校准
摘要 - 基本上所有多传感器系统都必须校准其传感器，以利用其全部潜力进行状态估计，例如映射和本地化。在本文中，我们研究了感知系统的外在和内在校准的问题。传统上，以围板或独特身份标签的形式的目标用于校准这些系统。我们建议将整个校准环境用作支持不同类型传感器的内在和外在校准的目标。这样做，我们能够校准具有不同配置，传感器类型和传感器方式的多个感知系统。我们的方法不依赖于传感器之间的重叠，这些传感器通常在使用经典目标时通常需要。主要思想是将每个传感器的测量值与校准环境的精确模型联系起来。为此，我们可以为每个传感器选择一种最适合其校准的特定方法。然后，我们使用最小二乘调整共同估算所有内在和外部设备。最终评估了我们系统的激光镜头到相机校准，我们提出了一种与校准无关的评估方法。这允许在不同校准方法之间进行定量评估。实验表明我们提出的方法能够提供可靠的校准。
技术报告：多视觉惯性系统：分析，校准和估计
11实验结果42 11.1 4 IMU + 3 GS摄像机。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 11.1.1具有不同数量的相机的校准。。。。。。。。。。。。。。。。。43 11.1.2与Kalibr进行了比较。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 44 11.1.3比较IMU内在质量。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。43 11.1.2与Kalibr进行了比较。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 11.1.3比较IMU内在质量。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。44 11.1.3比较IMU内在质量。。。。。。。。。。。。。。。。。。。。。。。。。。。49 11.2 4 IMU + 2 GS摄像机 + 2 RS摄像机。。。。。。。。。。。。。。。。。。。。。。49 11.2.1 IMU和GS/RS的校准。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 49 11.2.2评估多个陀螺仪校准。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 50 11.2.3时间校准。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 50 11.3带有4个IMU + 2 GS摄像机的平面运动。 。 。 。 。 。 。 。 。 。 。49 11.2.1 IMU和GS/RS的校准。。。。。。。。。。。。。。。。。。。。。。。。。49 11.2.2评估多个陀螺仪校准。。。。。。。。。。。。。。。。。50 11.2.3时间校准。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。50 11.3带有4个IMU + 2 GS摄像机的平面运动。。。。。。。。。。。。。。。。。。。。。。50 11.4关于估计收敛的讨论。。。。。。。。。。。。。。。。。。。。。。。。。。51
通过求解神经微分方程的镜头进行量子机学习在理论上容易的量子计算机上：校准
关键字：神经普通微分方程，Wasserstein生成的广告网络，序列到序列网络本报告调查了神经通用差分方程（NODE）在机器学习中的应用，重点介绍其在Wasserstein生成的对抗性网络（WGANS）（WGANS）（WGANS）和序列到序列到序列到序列 - 序列到序列（seq2seqsssssssssssssss）的集成。我们探索了解决ODE的各种方法，并在计算效率和准确性方面进行了比较。我们的研究采用了JAX框架和差异方程求解器库的Diffrax来实施和评估这些方法。我们使用FréchetInception距离（FID）度量和SEQ2SEQ模型使用BLEU分数对WGAN进行基准测试。我们的分析涵盖了不同的伴随，自适应公差，网络体系结构中的求解器位置以及标准化技术的影响。对于WGAN，我们发现求解器的选择及其实现并没有显着影响FID得分，但确实会影响计算时间。在SEQ2SEQ模型中，我们观察到，增加网络的宽度会始终提高BLEU分数，并且选择伴随方法和适应性公差可以显着影响性能和效率。我们的结果表明，ODE求解器和相关参数的最佳选择取决于特定的机器学习任务以及准确性和计算效率之间所需的权衡。这项研究通过为不同的应用程序和计算约束来优化这些模型，从而为基于节点的机器学习的不断增长贡献。
校准和代码语言模型的正确性
摘要 - 机器学习模型被广泛使用，但通常也可能是错误的。用户将受益于可靠的指标，即是否应信任给定模型的给定输出，因此可以做出合理决策是否使用输出。例如，输出可以与置信度度量相关联；如果这种置信度度量与正确性的可能性密切相关，则据说该模型是良好校准的。良好的置信度措施可以作为理性，逐步决策的基础，以了解使用生成的代码时需要多少审查和护理。校准已经在主要非生成中进行了研究（例如，分类）设置，尤其是在软件工程中。但是，生成的代码通常可能是错误的：给定的代码，开发人员必须决定是否直接使用，在仔细审查强度变化或丢弃模型生成的代码后使用。因此，卡尔 - 对生成环境至关重要。我们做出了一些贡献。我们开发了一个框架来评估代码生成模型的校准。我们考虑了几个任务，正确性标准，数据集和方法，并发现我们测试的大而生成的代码模型并未得到很好的开箱即用。然后，我们展示如何使用标准方法（例如PLATT缩放）改进校准。我们的贡献将在语言模型生成的当前使用代码中提供更好地校准的决策，并为将来的研究提供了一个框架，以进一步改善软件工程中生成模型的校准方法。由于Platt缩放率取决于正确性数据的事先可用性，因此我们评估了PLATT缩放在软件工程中的适用性和概括性，讨论其具有良好实际使用潜力的设置以及不存在的设置。索引项 - LLS，校准，置信度度量
精确且快速校准的语音神经假体
交流是构造障碍患者的优先事项，例如中风和肌萎缩性侧索硬化症（ALS）1。患有疾病的人会损害沟通报告，增加了隔离，抑郁症和生活质量下降的速度2,3；失去沟通可能会确定一个人是否会在高级ALS 4中追求或撤回维持生命的护理。虽然可以使用现有的增强性和辅助通信技术，例如头部或眼动仪，但随着患者失去自愿性肌肉控制5，它们的信息传输率较低，并且越来越难以使用。大脑计算机接口是一种有前途的通信技术，可以直接从皮质神经信号中解码用户的预期语音6。开发语音神经假期的努力主要是基于研究的研究，这些数据是从经受电生理监测的能力强大的扬声器进行回顾性分析的，以实现临床目的7-16。几个小组已经进行了实时的脑界面研究，以使用植入的皮质摄影（ECOG）17-20恢复丢失的语音，其中包括在17期发表的报告，或物质内多电极阵列21。最近的两份报告通过将尝试的语音通过尝试到音素（单词的基础）而产生的皮质神经信号并将这些音素组装成在计算机屏幕上显示的单词和/或句子，从而建立了“大脑到文本”的语音表现19,21。这些研究实现了通过单词错误率量化的沟通性能，为25.5％，1,024字词汇19和23.8％，词汇为125,000字，词汇21，并需要大约17个小时的记录才能收集足够的训练数据以获得该水平的表现。
一个用于校准气候风险建模平台中校准影响功能的模块
气候变化将加剧自然危害，例如风暴，洪水，干旱和极端温度。仅在2022年，与气候和气候有关的灾难影响了1.85亿人，并造成了超过2000亿美元的经济损失（Cred，2023）。预测迫在眉睫的事件的影响以及根据未来的社会经济途径确定气候风险对于社会，人道主义，政治，社会经济和生态问题的决策至关重要（Smith等人，2014年）。此类计算中不确定性的一个主要来源是脆弱性（Rougier等，2013）。通常以影响功能1建模，该功能1根据危险强度，产生受影响的暴露百分比，脆弱性很难确定。Using hazard footprints, exposure, and recorded impacts from past events, researchers therefore employ calibration techniques to estimate unknown impact functions and use these functions for future risk projections or impact forecasts ( Eberenz et al., 2021 ; Kam et al., 2023 ; Lüthi et al., 2021 ; Riedel et al., 2024 ; Röösli et al., 2021 ; Schmid等人，2023年； Welker等人，2021年）。
SWATCUP 中 SWAT 的校准及不确定性分析
Houshmand D. 等人，2017 年。校准参数和水资源估计对不同目标函数和优化算法的敏感性。水，9，384。https://www.mdpi.com/2073-4441/9/6/384
Geocalib：通过几何优化学习单图像校准
摘要。从单个图像中，视觉提示可以帮助推断出固有和外在的摄像头参数，例如焦距和重力方向。此单图像校准可以使各种下游应用程序受益，例如图像编辑和3D映射。当前解决此问题的方法是基于带有线条和消失点的经典几何形状，或者是基于训练有素的端到端的深神经网络。学习的方法更强大，但很难概括到新的环境中，并且不如其经典同行准确。我们假设它们缺乏3D几何形状所提供的约束。在这项工作中，我们介绍了Geocalib，这是一个深层神经网络，通过优化过程利用3D几何的通用规则。GeoCalib是端对端训练的，以估算摄像机参数并学会从数据中找到有用的视觉提示。在各种基准测试中的实验表明，与现有的经典和学识渊博的方法相比，Geocalib更健壮，更准确。其内部优化估计不确定性，有助于标记故障案例并受益于下游应用程序，例如视觉定位。代码和训练有素的模型可在https://github.com/cvg/geocalib上公开获得。