XiaoMi-AI文件搜索系统
World File Search SystemEst
基于NARX复发神经网络和移动窗口方法的锂离子电池的充电状态估计
摘要准确的充电状态（SOC）估计取决于精确的电池模型。非线性和不稳定干扰因素的影响使准确的SOC估计变得困难。为了获得准确的电池模型，提出了基于NARX（具有外源输入的非线性自回归网络）的方法，提出了复发性神经网络和移动窗口方法。本文从以下三个方面提高了SOC估计的准确性，建模速度和鲁棒性。首先，为了克服对模型训练过程中数据量的过度依赖，使用NARX复发性神经网络来建立电池模型。narx（具有外部输入的非线性自回旋）具有延迟和反馈功能的复发性神经网络可以保留上一刻的输入和输出，并将其添加到下一个时刻的计算中。因此，使用少量数据实现了更好的估计结果；其次，移动窗口方法用于梯度爆炸和NARX模型训练过程中可能发生的梯度消失。第三，通过将其与不同的工作条件和不同温度下的其他方法进行比较，可以验证该模型的有效性。结果表明，所提出的模型具有更高的SOC估计准确性和速度。提出的模型的RMSE性能减少了约65％，并且执行时间缩短了约50％。
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。
![[IROS-24]通过移动机器人的内核密度估计](/simg/a/a06704eb20fc4dadd5726ac28348960eedd4a69f.webp)
估计低地巴布亚新几内亚森林中的碳库存：低密度的大树导致低于全球平均碳库存
通常可以在未经事先许可或指控的情况下以任何格式或媒介进行个人研究或研究，教育或非营利性目的以任何格式或媒介的第三方复制，显示或执行全文项目的副本。
新冠疫苗接种策略 12/2024
年龄在 6 个月至 4 岁 11 个月 29 天之间、免疫功能低下且从未接种过疫苗的儿童应按计划接种 Covid-19-RNAm 疫苗 Moderna 的三剂主要疫苗。第一剂与第二剂之间的间隔为四周，第二剂与第三剂之间的间隔为八周；
物理3D对抗攻击自动驾驶中的单眼深度估计
广泛应用于自主驾驶中的基于深度学习的单眼深度估计（MDE）很容易受到对抗性攻击的影响。先前针对MDE模型的物理攻击依赖于2D广泛的补丁，因此它们仅影响MDE地图中的一个小型局部区域，但在各种观点下都失败了。为了解决这些限制，我们提出了3D深度傻瓜（3d 2傻瓜），这是对MDE模型的第一个基于3D纹理的对抗性攻击。3d 2傻瓜被专门优化，以生成3D对抗纹理对型号的车辆类型，并在恶劣天气条件（例如雨水和雾）中具有改善的鲁棒性。实验结果验证了我们3d 2傻瓜在各种情况下的出色性能，包括车辆，MDE Mod-els，天气状况和观点。现实世界中使用打印3D纹理的实验实验进一步表明，我们的3d 2傻瓜可能会导致超过10米的MDE误差。该代码可在https://github.com/gandolfczjh/3d2fool上找到。
估计马兽医服务市场的大小并确定其动态
注册办公室：13级，公共信托大厦，威尔斯顿街22-28号|邮政信箱3479，惠灵顿6140奥克兰办公室：4级4，70 Shortland ST，奥克兰电话0800 220 090或+64 4 472 1880 | econ@nzier.org.nz | www.nzier.org.nz©NZ经济研究所（INC）。封面图像©Dreamstime.com Nzier的合同研究参与度标准条款，请访问www.nzier.org.nz。尽管Nzier将在进行合同研究和制作报告中使用所有合理的努力，以确保信息与可行性一样准确，但该研究所，其贡献者，雇员和董事会不应承担任何责任（无论是在合同，侵权（包括过失），公平性），公平性还是任何其他损害或损害任何损失或损害任何损失或损害任何事业的损害或损害。
估计美国新冠疫苗死亡人数
第三种方法使用了世界顶级病理学家 Peter Schirmacher 博士的估计值，即接种疫苗后 2 周内尸检结果显示明显由疫苗引起的死亡百分比。范围是 30% 到 40%，我们使用了范围的高端，因为我们认为，在做出像这样可能终结职业生涯的揭露时，Schirmacher 博士非常保守，只估计他 100% 确定可以证明的事情。40% 可能非常保守，因为挪威没有这样的声誉压力，在他们评估的前 13 具尸体中，100% 的死亡被发现是由疫苗引起的（参见挪威药品管理局将 13 起死亡事件与疫苗副作用联系起来）。因此，使用 60% 的数字似乎相对保守（低于 30 和 100 的 65% 平均值）。
从越野设置中的长波高光谱图像
近年来，自主导航变得越来越流行。但是，大多数现有的方法在公路导航方面有效，并利用了主动传感器（例如LIDAR）。本文使用Passive传感器，特别是长波（LW）高光谱（HSI）的遍历性估计，重点介绍了自主越野导航。我们提出了一种方法，用于选择一部分高光谱带，该方法通过设计一个最小的传感器设计带选择模块，该模块设计一个最小的传感器，该模块设计了一个最小的传感器，该模块可以测量稀疏采样的光谱带，同时共同训练语义段网络网络，以进行遍历性估计。使用我们的LW HSI数据集在包括森林，沙漠，雪，池塘和开放式田野的各种越野场景中证明了我们方法的有效性。我们的数据集包括在各种天气条件下白天和夜间收集的图像，包括具有广泛障碍的具有挑战性的场景。使用我们的方法，我们学习了所有HSI频段中的一个小子集（2％），这些子频段可以在利用所有高光谱带时获得竞争性或更好的遍历性估计精度。仅使用5个频段，我们的方法能够实现平均类别的效果，该级别仅比使用完整的256波段HSI低1.3％，而仅比使用250频段HSI实现的效果仅比使用了0.1％，这证明了我们方法的成功。