XiaoMi-AI文件搜索系统
World File Search SystemFPS
2025第29届国际计算机会议，伊朗计算机协会（CSICC）Point-LN：一个轻巧的框架云分类
摘要 - 我们介绍了Point-LN，这是一种针对有效的3D点云分类设计的新型轻量级框架。点-LN整合了必需的非参数组件 - 最远的点采样（FPS），K-Nearest邻居（K-NN）和非可学习的位置编码 - 具有流线的可学习分类器，可以显着增强分类准确性，同时维持最小参数脚部。这种混合架构可确保较低的计算成本和快速推理速度，从而使Point-LN非常适合实时和资源受限的应用程序。在包括ModelNet40和ScanObjectnn在内的基准数据集的全面评估表明，与最先进的方法相比，Point-LN在提供出色的效率的同时，达到了竞争性能。这些结果将点ln建立为一种可靠的可扩展解决方案，用于各种点云分类任务，突出了其在各种计算机视觉应用中广泛采用的潜力。有关更多详细信息，请参见以下代码：https：//github.com/asalarpour/point_ln。索引术语 - 3D点云分类，轻量级框架，非参数位置编码，机器学习，计算机视觉
tpdnet：用于嵌入式机器学习处理器组的微小学生检测神经网络Ethos-u55
摘要。增强现实和虚拟现实（AR/VR）系统包含几个不同的传感器，包括用于手势认可的图像传感器，头姿势跟踪和瞳孔/眼睛跟踪。所有这些传感器的数据必须由主机处理器实时处理。对于未来的AR/VR系统，需要新的传感技术来满足功耗和性能的需求。当前的学生进行分辨率约300x300像素及以上的图像进行。因此，深神经网络（DNN）需要主机平台，这些平台能够通过此类输入分辨率计算DNN来实时处理它们。在这项工作中，将瞳孔检测的图像分辨率优化为100x100像素的分辨率。引入了一个微小的学生检测神经网络，可以使用ARM Cortex-M55和嵌入式机器学习（ML）Proces-sor Arm Ethos-U55处理，其性能为每秒189帧（FPS），并且检测率很高。这允许减少图像传感器和主机之间的通信功耗，以获取未来的AR/VR设备。
DOD身份，凭证和访问管理联合框架
e。每年评估和审核其HOME IDP（即自己的IDP）操作，并在审核完成后30天内向FPMWG提交结果。f。确保其FPS中确定的最低身份属性包含在其家庭IDP发出的任何断言中。g。确保根据依赖方（RP）的有效请求可用其他身份属性，并由其HOME IDP提供给RP。h。向FPMA提供书面通知，在计划更改其IDP主张之前的不少于30天。如果运营问题或安全问题要求联邦成员立即采取行动，则应在1小时内向FPMA提供通知。i。指定联邦POC报告联邦能力的合规性和运营状态，并在FPMWG上代表DOD ICAM SP。j。采用适当量身定制的安全控制（包括控制增强功能），从SP 800-53或同等联邦（例如FedRamp）或所有联邦功能的行业标准中定义的中等或高基线安全控制基线。
底部和悬浮的沉积物反向散射测量值 - 定量床和水柱特性
1应用地质与地球物理学系，三角洲，3584 BK UTRECHT，荷兰2地球科学与环境变化系，伊利诺伊大学伊利诺伊大学乌尔巴纳 - 奇普恩大学，香槟，香槟，伊利诺伊州61801，美国3大陆货架服务marc.roche@economie.fgov.be 4独立研究员，法国Locmaria-Plouzane 29280； Xavier.lurton@orange.fr 5Françaisde Recherche Pour l'eploitation de la Mer（Ifremer），法国Plouzane 29280； laurent.berger@ifremer.fr（L.B.）6赫尔大学的能源与环境研究所，英国赫尔Hu6 7rx，7Thünen海洋渔业研究所，27572，德国Bremerhaven，德国8 Scripps海洋学研究所，综合海洋学，加利福尼亚大学，加利福尼亚大学，加利福尼亚大学，圣地亚哥大学，CA 92037，US A 9 Kongsberg Discovery，22529 Hamburg，Ferverg，Ferverg，Ferver， peer.fietzek@kd.kongsberg.com 10沿海结构与浪潮部，三角洲，荷兰2629 HV代尔夫特； mark.kleinbreteler@deltares.nl *通信：thaienne.vandijk@deltares.nl;电话。 ： +31-6-5289-0378†这些作者对这项工作也同样贡献并共享第一作者。 ‡目前退休。 §当前地址：拉夫堡大学，拉夫伯勒大学，拉夫堡大学3TU，英国，地理与环境。6赫尔大学的能源与环境研究所，英国赫尔Hu6 7rx，7Thünen海洋渔业研究所，27572，德国Bremerhaven，德国8 Scripps海洋学研究所，综合海洋学，加利福尼亚大学，加利福尼亚大学，加利福尼亚大学，圣地亚哥大学，CA 92037，US A 9 Kongsberg Discovery，22529 Hamburg，Ferverg，Ferverg，Ferver， peer.fietzek@kd.kongsberg.com 10沿海结构与浪潮部，三角洲，荷兰2629 HV代尔夫特； mark.kleinbreteler@deltares.nl *通信：thaienne.vandijk@deltares.nl;电话。： +31-6-5289-0378†这些作者对这项工作也同样贡献并共享第一作者。‡目前退休。§当前地址：拉夫堡大学，拉夫伯勒大学，拉夫堡大学3TU，英国，地理与环境。
在英特尔 Myriad X 嵌入式 SoC 上加速人工智能和计算机视觉以进行卫星姿态估计
在边缘部署人工智能 (AI) 和计算机视觉 (CV) 算法的挑战性推动了嵌入式计算社区研究异构片上系统 (SoC)。这种新型计算平台提供了接口、处理器和存储的多样性，然而，AI/CV 工作负载的有效分区和映射仍然是一个悬而未决的问题。在此背景下，本文在英特尔的 Movidius Myriad X 上开发了一个混合 AI/CV 系统，这是一个异构视觉处理单元 (VPU)，用于初始化和跟踪卫星在太空任务中的姿态。航天工业是研究替代计算平台以遵守机载数据处理的严格限制的社区之一，同时也在努力采用 AI 领域的功能。在算法层面，我们依靠基于 ResNet-50 的 UrsoNet 网络以及自定义经典 CV 管道。为了实现高效加速，我们结合多种并行化和低级优化技术，利用 SoC 的神经计算引擎和 16 个矢量处理器。所提出的单芯片、稳健估计和实时解决方案在 2W 的有限功率范围内为 100 万像素 RGB 图像提供高达 5 FPS 的吞吐量。
通过无人机检查自动太阳能检查的实时对象检测
摘要：太阳能检查需求的机器人任务敏捷和精确的对象检测策略。本文介绍了一个创新的基于关键的对象检测框架，专门为使用无人机实时的太阳能农场检查而设计。脱离常规边界框或细分方法，我们的技术着重于检测太阳能电池板的顶点，太阳能电池板的顶点比传统方法提供了更丰富的粒度。从Centernet中汲取灵感，我们的体系结构已针对Nvidia Agx Jetson Orin等嵌入式平台进行了优化，以1024×1376像素的分辨率达到接近60 fps，因此超过了相机的操作频率。这样的实时功能对于在时间关键的工业资产检查环境中有效的机器人操作至关重要。我们的模型的设计强调了减少的计算需求，将其定位为现实部署的实用解决方案。此外，积极学习策略的整合有望大大减少注释工作，并增强模型的运营可行性。总而言之，我们的研究强调了基于关键的对象检测的优势，为使用无人机的实时太阳能农场检查提供了一种实用有效的方法。
GSPRINT5514BSI 产品传单
GSPRINT5514BSI 具有 4608 x 3072 像素，每个像素为 5.5 µm 见方 - 4/3 宽高比 4k 传感器，与 APS-C 光学元件兼容。GSPRINT5514BSI 具有 10 位输出，可实现每秒 670 帧。在 12 位模式下，传感器输出 350 fps。使用背面照明技术，对于 UV 应用，传感器在 510 nm 处实现 86% 的量子效率，在 200 nm 处实现 17% 的量子效率。该传感器提供双增益 HDR 读出，最大限度提高 15 ke- 满阱容量，最小 < 2.0 e- 噪声，实现出色的 78.3 dB 动态范围。模拟 1x2 合并将满阱容量增加到 30 ke-。图像数据通过 84 个 sub-LVDS 通道以 1.2 Gbps 的速度输出。对于不需要最大帧速率的应用，可以使用多路复用模式将输出通道数减少 2 的任意倍数。GSPRINT5514BSI 有单色或彩色版本，配有密封或可拆卸盖玻片，并采用 454 针 µPGA 封装。
从全局表示对象跟踪中读取相关功能
来自模板或历史框架的参考特征对于视觉对象跟踪至关重要。先验工作利用固定模板或内存的所有功能进行视觉对象跟踪。然而，由于视频的动态性质，在不同时间步骤下，不同搜索区域所需的参考历史信息也不一致。因此，使用模板中的所有功能和内存都会导致冗余并损害跟踪性能。为了减轻此问题，我们提出了一种新颖的跟踪范式，包括相关的注意机制和全球表示记忆，可以自适应地帮助搜索区域从参考特征中选择最相关的历史信息。具体来说，这项工作中提出的相关性注意机制与以前的方法不同，因为它可以通过在全球访问跨框架信息来动态选择和构建当前帧的最佳全局表示内存。此外，它可以灵活地读取构造记忆中的相关历史信息，以减少冗余并抵消有害信息的负面影响。广泛的实验验证了所提出的方法的有效性，并在71 fps的五个挑战数据集上实现了竞争性能。
Sarah Wolff - AMD 研究生课程 | 宾夕法尼亚州立大学工程学院
激光定向能量沉积中的熔体流动成像 摘要 基于激光的粉末吹制定向能量沉积 (L-DED) 增材制造工艺有望制造出适用于广泛应用的复杂多材料金属零件和优质机械零件。然而，由于快速凝固，L-DED 部件中不同金属的孔隙度或熔化不均匀很常见，并且可能对鉴定和认证造成障碍。本次演讲将讨论飞行中的粉末颗粒与导致该过程中孔隙度的底层熔池之间的基本相互作用。高级光子源 32-ID 光束线上的高速同步加速器 X 射线成像（高达 80,000 fps）实验实时展示了孔隙度机制和材料混合。 传记 Sarah Wolff 博士是机械和航空航天系的助理教授和制造业爱好者。她曾担任德克萨斯 A&M 大学工业和系统工程系的助理教授和阿贡国家实验室的 Enrico Fermi 研究员。她于 2018 年毕业于西北大学，获得机械工程博士学位。Wolff 博士的专业领域是金属增材制造和激光加工，特别是在原位监测、高速 X 射线成像、图像处理和微观结构表征领域。
四种月球通信延迟条件下月球地形车（LTV）远程遥控操作研究
首字母缩略词 .cvs Excel codex ⁰ 度 < 小于 % 百分比 ABC Artemis 大本营 ACES 学院颜色编码系统 ANOVA 方差分析 CEL 概念探索实验室 cm 厘米 conops 作战概念 deg 度 DEM 数字环境模型 DOUG 动态机载无处不在的图形 DRATS 沙漠研究和技术研究 DSN 深空网络 DTE 直接对地 EDGE 探索图形 EHP 美国宇航局的舱外活动和人类地面机动计划 ESDMD 探索系统发展任务理事会 EVA 舱外活动 F ANOVA F 值 FOD 异物碎片 FOV 视场 fps 每秒帧数 GUNNS 通用节点网络求解器软件 HAB 栖息地 HDR 高数据速率 HITL 人在回路 hh:mm:ss 小时、分钟、秒 IES 照明工程学会 IMU 惯性测量单元 ISRU 现场资源利用单元 JEOD 约翰逊航天中心工程轨道动力学集团 JSC 约翰逊航天中心 kg 千克 km 公里 kph 公里每小时 千瓦 千瓦时 千瓦每小时 激光雷达 光增强探测与测距