XiaoMi-AI文件搜索系统
World File Search SystemConsistency
数据驱动的智能能源评估的数据一致性
在智能电网时代，可用于不同应用程序的数据数量已大大增加。但是，数据不能完美地表示分析的现象或过程，因此它们的可用性需要特定领域专家进行的初步验证。必须验证数据收集和传输的数据收集和传输过程，以确保以有用的格式提供数据，并且对要接收的正确数据没有影响。必须适当确保和管理来自不同来源的数据的一致性（就时间和数据解决方面而言）。以有效的方式将数据转换为知识需要合适的程序。这项贡献通过突出许多潜在问题以及在不同的功率和能源系统中（包括生成，网格和用户方面）中的解决方案来解决以前的方面。最近的参考文献以及选定的历史参考文献被列出，以支持概念方面的例证。
当地综合计划的视觉一致性工具
•您想突出显示更新计划的哪些方面？什么特别创新，具有挑战性或值得注意？•更新过程中使用了哪些创新的公共参与策略？您是否使用策略来触及通常没有从事计划的社区？在此过程中，其他机构和政府（例如部落，港口和特殊目的地区）如何？（MPP-RC-1，DP-8）•种族平等和机会的机会已被提升为2050年愿景的关键区域问题。您的社区在综合计划更新中如何解决种族权益？您是否有关于如何提高种族平等的经验中学到的教训？（MPP-RC-3）
气候行动计划一致性审查清单
指定，项目是否包括总体规划修正案，该修正案产生的温室气体排放量等于或小于现有指定下产生的估计排放量？如果“是”，请提供现有和拟议指定下的项目估计排放量以供比较，并继续执行步骤 1 的问题 3。如果“否”，则项目的温室气体影响可能很大，必须根据城市指导文件和适用的 CEQA 指南准备温室气体分析。该项目不符合 CAP 的温室气体精简条款。项目必须纳入步骤 2 中确定的每一项措施，以减轻累积温室气体排放影响，除非根据 CEQA 指南第 15091 节确定某项措施不可行。继续并完成项目特定的温室气体分析和清单的第 2 步。
具有空间一致性约束的激光雷达引导立体匹配
a 武汉大学遥感信息工程学院，武汉 430079，中国 b 中山大学地理空间信息工程与科学学院，珠海 519082，中国 * 通讯作者。1 两位作者对本文稿的贡献相同。电子邮件：zhangyj@whu.edu.cn (Y. Zhang)、zousiyuan3s@whu.edu.cn (S. Zou)、liuxy0319@whu.edu.cn (X. Liu)、huangx358@mail.sysu.edu.cn (X. Huang)、yi.wan@whu.edu.cn (Y. Wan)、yaoyongxiang@whu.edu.cn (Y. Yao)
具有空间一致性约束的激光雷达引导立体匹配
a 武汉大学遥感信息工程学院，武汉 430079，中国 b 中山大学地理空间信息工程与科学学院，珠海 519082，中国 * 通讯作者。1 两位作者对本文稿的贡献相同。电子邮件：zhangyj@whu.edu.cn (Y. Zhang)、zousiyuan3s@whu.edu.cn (S. Zou)、liuxy0319@whu.edu.cn (X. Liu)、huangx358@mail.sysu.edu.cn (X. Huang)、yi.wan@whu.edu.cn (Y. Wan)、yaoyongxiang@whu.edu.cn (Y. Yao)
大气能量，水分和质量的一致性和同质性
早期在线版本：该初步版本已被接受在《气候杂志》中出版，可以完全引用，并且已被分配给Doi，最终的排版复制文章将在发布时在上述DOI上取代EOR。©20神学会
低分辨率面部表达识别的硬样品感知一致性
面部表达识别（FER）在计算机视觉应用中起着关键作用，包括视频不存在和人类计算机的相互作用。尽管FER的进展没有局部进步，但在处理在现实世界情景和数据集中遇到的低分辨率面部图像时，性能仍然会摇摆不定。一致性约束技术引起了人们的关注，以产生强大的卷积神经网络模型，从而通过增强来适应变化，但它们的功效在低分辨率FER的领域中得到了影响。这种性能下降可以归因于网络难以提取表达特征的增强样本。在本文中，我们确定了在考虑各种程度的分辨率时引起过度拟合问题的硬样品，并提出了新颖的硬样品感知一致性（HSAC）损失函数，其中包括组合注意力同意和标签分布学习。通过结合高分辨率和翻转低分辨率图像的激活图，将注意力图与适当的目标注意图与适当的目标注意图与适当的目标注意力图相结合的注意图与适当的目标注意力图的注意力图对齐。我们通过结合原始目标和高分辨率输入的预测来测量低分辨率面部图像的分类难度，并适应标签分布学习。我们的HSAC通过有效管理硬样品来赋予网络能够实现概括。各种FER数据集上的广泛实验证明了我们提出的方法比现有方法的多尺度低分辨率图像的优越性。此外，我们在原始RAF-DB数据集中达到了90.97％的最新性能。
swin-fake：一致性学习变压器的深击视频检测器
摘要：DeepFake已成为一项新兴技术，近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型（例如Xception Network）来区分真实或假媒体；但是，它们在交叉数据集中的表现并不理想，因为它们在当前阶段遭受过度的苦难。因此，本文提出了一种空间一致性学习方法，以三个方面缓解此问题。首先，我们将数据增强方法的选择提高到5，这比我们以前的研究的数据增强方法还多。具体来说，我们捕获了一个视频的几个相等的视频帧，并随机选择了五个不同的数据增强，以获取不同的数据视图以丰富输入品种。其次，我们选择了Swin Transformer作为特征提取器，而不是基于CNN的主链，这意味着我们的方法并未将其用于下游任务，并且可以使用端到端的SWIN变压器对这些数据进行编码，旨在了解不同图像补丁之间的相关性。最后，这与我们的研究中的一致性学习结合在一起，一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失，从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明，弹药效果可能会在某些开源的深层数据集中产生相对良好的结果，包括FaceForensics ++，DFDC，Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较，我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
人grasps Generation
在预测具有平行颚夹具的机器人抓地力已得到很好的研究并广泛应用于机器人操作任务中，但多手指手的自然人抓握生成研究的研究仍然是一个非常具有挑战性的问题。在本文中，我们建议在世界上给定3D对象产生人类的抓。我们的主要观察结果是，对手接触点和物体接触区域之间的一致性建模至关重要。也就是说，我们鼓励先前的手接触点靠近对象表面，并且对象共同的接触区域同时通过手接触。基于手动接触一致性，我们在训练人类掌握的一代模型中设计了新的目标，还设计了一个新的自我监督任务，该任务允许在测试时间之前调整掌握生成网络。我们的实验表明，人类掌握的产生显着改善，而对最先进的方法的差距很大。更有趣的是，通过在测试时间内使用自我监督的任务来优化模型，它可以帮助您在看不见和室外对象上获得更大的收益。