XiaoMi-AI文件搜索系统
World File Search SystemGuibas
haisor：通过深度强化学习
jia-mu Sun和Lin Gao也与中国科学院一起。Kaichun Mo也在NVIDIA研究中。 这项工作得到了中国国家自然科学基金会的支持（ 62322210），北京市政自然科学基金会（No. ） JQ21013）和北京市政科学技术委员会（编号 Z231100005923031）。 Kaichun Mo和Leonidas J. Guibas得到了ARL Grant W911NF-21-2-0104，Vannevar Bush教师奖学金和Adobe Corporation的礼物。 作者的地址：J.-M。 Sun，J。Yang和L. Gao（通讯作者），北京移动计算和普遍设备的主要实验室，中国科学院计算机科学研究所，北京，中国100190；电子邮件：{sunjiamu21s，yangjie01，gaolin}@ict.ac.cn;斯坦福大学的计算机科学系K.电子邮件：{kaichun，guibas }@cs.stanford.edu; Y.-K。莱，计算机科学学院和Kaichun Mo也在NVIDIA研究中。这项工作得到了中国国家自然科学基金会的支持（62322210），北京市政自然科学基金会（No.JQ21013）和北京市政科学技术委员会（编号Z231100005923031）。Kaichun Mo和Leonidas J. Guibas得到了ARL Grant W911NF-21-2-0104，Vannevar Bush教师奖学金和Adobe Corporation的礼物。作者的地址：J.-M。 Sun，J。Yang和L. Gao（通讯作者），北京移动计算和普遍设备的主要实验室，中国科学院计算机科学研究所，北京，中国100190；电子邮件：{sunjiamu21s，yangjie01，gaolin}@ict.ac.cn;斯坦福大学的计算机科学系K.电子邮件：{kaichun，guibas }@cs.stanford.edu; Y.-K。莱，计算机科学学院和
CraterGrader - MRSD 项目 - 卡内基梅隆大学
† 机器人研究所 (https://www.ri.cmu.edu/)，* 同等贡献者 [1] 美国国家航空航天局，空间技术任务理事会。空间技术研究资助计划，月球表面技术研究机会附录，2021 年。[2] Y. Rubner、L. Guibas 和 C. Tomasi，“地球移动者的距离、多维缩放和基于颜色的图像检索”，斯坦福，加利福尼亚州，1997 年 {jharring、ryanlee、apletta、rqwong、byounes、red}@cs.cmu.edu
fei Xia
使用图形本地化网络进行视觉导航的行为方法。RSS 2019。 [28] Martin J. Zhang，Fei Xia，James Zou。 adafdr：一种快速，强大和协变量的自适应方法，用于多个假设检验。 2019年Rebomb的最佳纸张奖。 [29] Martin J. Zhang，Fei Xia，James Zou。 快速和协变量的自适应方法在大规模多种假设检测中放大检测能力。 自然通讯。 [30] Soheil Feizi，Changho Suh，Fei Xia和David Tse。 理解gans：LQG设置。 [31] Fei Xia*，Martin Zhang*，James Zou，David Tse。 NeuralFDR：从假设特征学习决策阈值。 NIPS 2017。 [32] Qiao Liu，Fei Xia，Qijin Yin，Rui Jiang。 通过混合深卷积神经网络预测染色质的可及性预测。 生物信息学，2017年。 [33] Govinda Kamath*，Ilan Shomorony*，Fei Xia*，Thomas Courtade，David Tse。 铰链：长阅读组装实现最佳重复分辨率。 基因组研究第27卷2017年。 [34] Ilan Shomorony，Govinda Kamath，Fei Xia，Thomas Courtade和David Tse，部分DNA大会：利率依赖性的观点。 ISIT 2016。 [35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。 通过潜在空间分解进行复合形状建模。 ICCV 2019。RSS 2019。[28] Martin J. Zhang，Fei Xia，James Zou。adafdr：一种快速，强大和协变量的自适应方法，用于多个假设检验。2019年Rebomb的最佳纸张奖。[29] Martin J. Zhang，Fei Xia，James Zou。快速和协变量的自适应方法在大规模多种假设检测中放大检测能力。自然通讯。[30] Soheil Feizi，Changho Suh，Fei Xia和David Tse。理解gans：LQG设置。[31] Fei Xia*，Martin Zhang*，James Zou，David Tse。NeuralFDR：从假设特征学习决策阈值。NIPS 2017。 [32] Qiao Liu，Fei Xia，Qijin Yin，Rui Jiang。 通过混合深卷积神经网络预测染色质的可及性预测。 生物信息学，2017年。 [33] Govinda Kamath*，Ilan Shomorony*，Fei Xia*，Thomas Courtade，David Tse。 铰链：长阅读组装实现最佳重复分辨率。 基因组研究第27卷2017年。 [34] Ilan Shomorony，Govinda Kamath，Fei Xia，Thomas Courtade和David Tse，部分DNA大会：利率依赖性的观点。 ISIT 2016。 [35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。 通过潜在空间分解进行复合形状建模。 ICCV 2019。NIPS 2017。[32] Qiao Liu，Fei Xia，Qijin Yin，Rui Jiang。通过混合深卷积神经网络预测染色质的可及性预测。生物信息学，2017年。[33] Govinda Kamath*，Ilan Shomorony*，Fei Xia*，Thomas Courtade，David Tse。铰链：长阅读组装实现最佳重复分辨率。基因组研究第27卷2017年。[34] Ilan Shomorony，Govinda Kamath，Fei Xia，Thomas Courtade和David Tse，部分DNA大会：利率依赖性的观点。ISIT 2016。 [35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。 通过潜在空间分解进行复合形状建模。 ICCV 2019。ISIT 2016。[35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。通过潜在空间分解进行复合形状建模。ICCV 2019。ICCV 2019。
学习通用门操作政策，大多数...
[1]本·艾斯纳（Ben Eisner），哈里·张（Harry Zhang）和大卫（David Hold）。flowbot3d：学习3D表达流动以操纵表达的观察。arxiv预印arxiv：2205.04382，2022。1 [2] Haoran Geng，Ziming Li，Yiran Geng，Jiayi Chen，Hao Dong和He Wang。partManip：从点云观察到学习跨类别的可推广零件操纵策略。在IEEE/CVF计算机视觉和模式识别会议论文集，第2978-2988、2023页。2 [3] Haoran Geng，Helin Xu，Chengyang Zhao，Chao Xu，Li Yi，Siyuan Huang和Wang。gapartnet：跨类别域，可通过可概括和可行的部分操纵对象感知和操纵。在IEEE/CVF计算机视觉和模式识别会议论文集，第7081–7091页，2023年。1，2 [4] Yiran Geng，Boshi AN，Haoran Geng，Yuanpei Chen，Yaodong Yang和Hao Dong。机器人操纵的端到端舞蹈学习。arxiv预印arxiv：2209.12941，2022。2 [5] James J Gibson。 提供的理论。 Hilldale，美国，1（2）：67–82，1977。 2 [6] Suhan Ling，Yian Wang，Shiguang Wu，Yuzheng Zhuang，Tianyi Xu，Yu Li，Chang Liu和Hao Dong。 铰接的物体操纵，用粗到精细的负担能力来降低点云噪声的效果。 ICRA，2024。 2 [7]刘刘，韦奇安格Xu，haoyuan fu，sufe Qian，Qiao-jun yu，Yang Han和Cewu lu。 AKB-48：一个现实世界中阐明的对象知识库。 在IEEE/CVF计算机视觉和模式识别会议论文集，第14809–14818页，2022年。2 [5] James J Gibson。提供的理论。Hilldale，美国，1（2）：67–82，1977。 2 [6] Suhan Ling，Yian Wang，Shiguang Wu，Yuzheng Zhuang，Tianyi Xu，Yu Li，Chang Liu和Hao Dong。 铰接的物体操纵，用粗到精细的负担能力来降低点云噪声的效果。 ICRA，2024。 2 [7]刘刘，韦奇安格Xu，haoyuan fu，sufe Qian，Qiao-jun yu，Yang Han和Cewu lu。 AKB-48：一个现实世界中阐明的对象知识库。 在IEEE/CVF计算机视觉和模式识别会议论文集，第14809–14818页，2022年。Hilldale，美国，1（2）：67–82，1977。2 [6] Suhan Ling，Yian Wang，Shiguang Wu，Yuzheng Zhuang，Tianyi Xu，Yu Li，Chang Liu和Hao Dong。铰接的物体操纵，用粗到精细的负担能力来降低点云噪声的效果。ICRA，2024。2 [7]刘刘，韦奇安格Xu，haoyuan fu，sufe Qian，Qiao-jun yu，Yang Han和Cewu lu。AKB-48：一个现实世界中阐明的对象知识库。在IEEE/CVF计算机视觉和模式识别会议论文集，第14809–14818页，2022年。2 [8] Kaichun MO，Leonidas J. Guibas，Mustafa Mukadam，Abhi-Nav Gupta和Shubham Tulsiani。其中2act：从pix-els到铰接3D对象的动作。在IEEE/CVF国际计算机愿景会议论文集（ICCV），第6813-6823页，2021年。1，2 [9] Chuanrou Ning，Ruihai Wu，Haoran Lu，Kaichun Mo和Hao Dong。其中2个口气：对于看不见的新型铰接对象类别的负担能力学习。在神经信息处理系统（神经）中的广告中，2023年。2 [10] Yusuke Urakami，Alec Hodgkinson，Casey Carlin，Randall Leu，Luca Rigazio和Pieter Abbeel。门口：可扩展的门打开环境和基线代理。ARXIV预印arxiv：1908.01887，2019。1，2 [11]学习开门操作的语义关键点表示。IEEE机器人技术和自动化Letters，5（4）：6980–6987，2020。1 [12] Yian Wang，Ruihai Wu，Kaichun MO，Jiaqi KE，Qingnan Fan，Leonidas Guibas和Hao Dong。adaafford：通过几乎没有相互作用，学习适应3D铰接式物体的操纵负担。欧洲计算机录像会议（ECCV 2022），2022。2 [13] Ruihai Wu，Yan Zhao，Kaichun MO，Zizheng Guo，Yian Wang，Tianhao Wu，Qingnan Fan，Xuelin Chen，Leonidas Guibas和Hao Dong。增值税：学习视觉动作
基于ML的分析和超越
作者的讲话：D。Kang，J。Guibas，P。Bailis，T。Hashimoto和M. Zaharia，Stanford University，Stanford，CA；电子邮件：ddkang@stanford.edu，jtguibas@stanford.edu，pbailis@cs.stanford.edu，thashim@stanford.edu，matei@cs.stanford.edu; Y.太阳，芝加哥大学，伊利诺伊州芝加哥；电子邮件：yisun@statistics.uchicago.edu。允许将本工作的全部或一部分供个人或课堂使用的数字或硬副本授予，而没有费用，只要副本不是盈利或商业优势，并且副本带有此通知和首页上的完整引用。必须尊重他人所拥有的这项作品的组成部分的版权。允许用信用摘要。否则复制或重新出版以在服务器上发布或重新分配到列表，需要事先特定的许可和/或费用。请求权限从permissions@acm.org。©2024所有者/作者拥有的版权。出版权许可获得ACM的权利。ACM 2831-3194/2024/01-ART4 https://doi.org/10.1145/3611093