XiaoMi-AI文件搜索系统
World File Search SystemOBJECT
端到端多模式物体检测 - Robert Babuska
摘要 — 为视觉任务设计的深度神经网络在遇到训练数据未涵盖的环境条件时往往容易失败。多传感器配置的有效融合策略可以通过利用不同传感器流的冗余来增强检测算法的鲁棒性。在本文中，我们提出了用于在恶劣照明条件下进行 2D 物体检测的传感器感知多模态融合策略。我们的网络学习以标量权重和掩码的形式估计每种传感器模态的测量可靠性，而无需事先了解传感器特性。将获得的权重分配给提取的特征图，随后将其融合并传递给变压器编码器-解码器网络以进行物体检测。这对于不对称传感器故障的情况至关重要，可以防止任何悲剧性后果。通过大量实验，我们表明，所提出的策略在 FLIR-Thermal 数据集上的表现优于现有的最先进方法，将 mAP 提高了 25.2%。我们还针对 RGB-D 多模态检测任务提出了一种新的“r-blended”混合深度模态。我们提出的方法在 SUNRGB-D 数据集上也取得了令人满意的结果。
调整 UML 以用于面向对象的系统工程...
abraham.w.meilich@lmco.com 摘要。面向对象 (OO) 技术主要由软件工程师使用。为什么系统工程师想要将 OO 技术添加到他们现有的实践中？应如何调整这些技术以使其对系统工程师有用？本文将展示面向对象系统工程方法 (OOSEM) 如何解决这些问题，以及如何在系统工程 (SE) 级别使用统一建模语言 (UML) 来促进系统需求和设计信息的捕获并简化系统和软件工程师之间的沟通。本文概述的技术已应用于信息系统，并允许工程师对系统需求、要求、架构设计及其对硬件、软件、数据库和手动程序的分配进行建模。作者认为 OOSEM 也适用于其他类型系统的工程。
附录 A：对象枚举集 - 产品文档
使用枚举集的属性和对象列在每个枚举表下方。如果未出现引用列表，则表示该特定枚举集没有属性或对象。没有引用的集合要么是通用的（例如，所有两个状态的枚举都可以映射到需要两个状态的枚举属性），要么是用于 Metasys 系统的原始设备制造商 (OEM) 应用程序。如果集合用于 OEM 应用程序，请查阅 OEM 文档以确定哪些对象和属性映射到每个枚举集。
用于对象跟踪的深度脉冲神经网络
摘要 — 脉冲神经网络 (SNN) 是一种生物学上合理的模型，具有高计算能力和低功耗的优点。而深度 SNN 的训练仍然是一个悬而未决的问题，这限制了深度 SNN 的实际应用。在这里，我们提出了一种名为 Spiking SiamFC++ 的深度 SNN 架构，用于通过端到端直接训练进行对象跟踪。具体而言，在时间域上扩展 AlexNet 网络以提取特征，并采用代理梯度函数实现深度 SNN 的直接监督训练。为了检查 Spiking SiamFC++ 的性能，考虑了几个跟踪基准，包括 OTB2013、OTB2015、VOT2015、VOT2016 和 UAV123。发现与原始 SiamFC++ 相比，精度损失很小。与现有的基于 SNN 的目标跟踪器（例如 SiamSNN）相比，所提出的 Spiking SiamFC++ 的精度（连续性）达到 85.24%（64.37%），远高于 SiamSNN 实现的 52.78%（44.32%）。据我们所知，Spiking SiamFC++ 的性能优于现有的基于 SNN 的对象跟踪的先进方法，这为 SNN 在目标跟踪领域的应用提供了一条新途径。这项工作可能会进一步促进 SNN 算法和神经形态芯片的发展。
在协作中有效的对象检测和跟踪
很快，混合现实（MR）和人工智能（AI）技术变得越来越好。这意味着它们在各个领域都有新的和重要的应用，包括医疗，教育和工人培训。这些作者提出了一种新的方法，可以在共享的MR环境中使用Yolov4深学习模型，以便可以实时跟踪和确定对象。这项工作解决了使用基本和复杂的计算机方法诸如遮挡，动态照明和空间对齐等问题的事实，可以区分它。主要的MR工具Microsoft Hololens以及单个相机饲料有助于拟议的系统进行对象检测。根据MS COCO数据集的测试，Yolov4模型的性能优于Yolov2和Yolov3模型。平均平均精度（MAP）为0.988，Yolov4模型是快速且相当精确的。基于统计数据，该策略似乎使小组可以在MR设置中进行协作，以提供在线帮助，培训和基于模拟的学习。对系统的未来研究将使它在更广泛的情况下更加灵活，并能够更好地识别附近的对象。
与星际物体会合的快速反应任务
摘要 本文介绍了一种由太阳帆推进的小型卫星任务概念，用于拦截并可能与新发现的瞬时星际物体 (ISO) 会合。该任务概念源自一项技术演示任务的提案，该任务旨在高速离开太阳系，最终到达太阳引力透镜的焦点区域。ISO 任务概念是将太阳帆飞向围绕太阳的保持轨道，当 ISO 轨道得到确认后，让帆飞行器达到超过 6 AU/年的逃逸速度。这将允许对新的 ISO 发现做出快速反应，并在距太阳 10 AU 以内进行拦截。两种新的行星际技术可用于实现此类任务：i) 行星际小型卫星，例如 MarCO 任务所展示的卫星，以及 ii) 太阳帆，例如 LightSail 和 IKAROS 任务所展示的卫星，以及为 NEA Scout 和 Solar Cruiser 任务开发的卫星。当前的技术工作表明，在十年内，此类任务已经可以飞行并到达穿越太阳系的 ISO。它可能使首次接触 ISO 时能够进行成像和光谱分析，测量尺寸和质量，从而可能提供有关该物体起源和成分的独特信息。可以使用类似的方法返回样本。
使用OpenCV
背景：实时对象检测在各种计算机视觉应用中起关键作用，从监视到自动驾驶汽车。目标：在此项目中，我们提出了一个使用OpenCV和SSD Mobilenet进行实时对象检测的Python脚本，使用网络摄像头feed作为输入。方法：该脚本利用预训练的模型和类名称文件实时识别和标记对象。统计分析：关键步骤包括设置用于对象检测和非最大抑制的阈值，初始化网络摄像头输入，加载类名称，配置SSD Mobilenet模型，执行实时检测并显示结果。调查结果：该脚本提供了一个无缝接口，供用户有效地检测其周围对象。应用和改进：该项目展示了深度学习技术在现实世界中的实际应用，从而促进了计算机视觉技术的进步。
ootbi首先是对象 - veeamtm的最佳存储
本数据表中的所有产品规格，语句，信息和数据（统称为“信息”）或在Object Firt的网站上可用的所有产品规格，“信息”均可能会更改。客户负责检查和验证该数据表中包含的信息在订单时适用于订单的程度。本文给出的所有信息都被认为是准确和可靠的，但是在没有保证，保证或任何形式的责任（表示或暗示）的情况下进行了介绍。