XiaoMi-AI文件搜索系统
World File Search SystemObjects
检测和定位与移动设备集成的无人机系统 (UAS) 上的物体
I. 引言 无人机系统 (UAS) 领域已扩展到包括民用和军用在内的所有领域，并出现了许多创新用例。这些 UAS 在军事领域的应用正在取得显著进步。执行情报、监视和侦察 (ISR) 任务以及守卫职责等军事任务需要直接且耗时的人力。士兵花费大量时间进行巡逻、驻守检查站和守卫塔以实现这些任务的目标。然而，随着自主技术的进步，UAS 现在在减少人类执行这些劳动密集型任务的需求以及降低直接暴露于危险情况的风险方面发挥着重要作用。四旋翼飞行器具有垂直起降能力以及相对较高的有效载荷，为此类任务提供了绝佳平台。现在有机会整合现有能力并进一步利用潜在的 UAS。四旋翼解决方案的应用还支持国防部 (DoD) 在《2011-2036 财年无人系统集成路线图》[1] 中概述的无人系统目标。要执行 ISR 任务，UAS 需要检测威胁。传感和感知算法的最新进展使得使用基于视觉的传感器适合这项任务。UAS 需要在共享参考框架中定位威胁，并将此信息提供给士兵，以便
使用混合现实中与虚拟对象的语音交互实现飞机维护元宇宙的文章
摘要：嵌入我们生活中的元宇宙在物理世界中创造了虚拟体验。随着飞机维护向元宇宙迈进，混合现实 (MR) 为与虚拟飞机 (数字孪生) 的互动创造了巨大的机会，可提供近乎真实的体验，并在大流行期间保持物理距离。导出到 MR 的现代机器的 3D 孪生可以轻松操作、共享和更新，这为仍在利用退役模型进行练习的航空学院带来了巨大的好处。因此，我们建议在智能眼镜中对波音 737 飞机维护进行混合现实教育和培训，并增强深度学习语音交互模块，让实习工程师能够使用语音命令控制虚拟资产和工作流程，使他们能够用双手操作。语音模块利用卷积神经网络（CNN）架构获取音频特征，利用学习和分类部分获取命令和语言识别，处理英语和韩语混合请求，并给出相应的反馈。测试数据评估显示预测准确率高，命令和语言预测的 F1-Score 指标平均分别为 95.7% 和 99.6%。提出的飞机维护元宇宙语音交互模块进一步改善了教育和培训，对操作进行了直观和有效的控制，增强了与混合现实中虚拟对象的交互。
文章 使用混合现实中与虚拟对象的语音交互实现飞机维护元宇宙
摘要：嵌入我们生活中的元宇宙在物理世界中创造了虚拟体验。随着飞机维护向元宇宙迈进，混合现实 (MR) 为与虚拟飞机 (数字孪生) 的互动创造了巨大的机会，可提供近乎真实的体验，并在大流行期间保持物理距离。导出到 MR 的现代机器的 3D 孪生可以轻松操作、共享和更新，这为仍在利用退役模型进行练习的航空学院带来了巨大的好处。因此，我们建议在智能眼镜中对波音 737 飞机维护进行混合现实教育和培训，并增强深度学习语音交互模块，让实习工程师能够使用语音命令控制虚拟资产和工作流程，使他们能够用双手操作。语音模块利用卷积神经网络（CNN）架构获取音频特征，利用学习和分类部分获取命令和语言识别，处理英语和韩语混合请求，并给出相应的反馈。测试数据评估显示预测准确率高，命令和语言预测的 F1-Score 指标平均分别为 95.7% 和 99.6%。提出的飞机维护元宇宙语音交互模块进一步改善了教育和培训，对操作进行了直观和有效的控制，增强了与混合现实中虚拟对象的交互。
海军目标：合法攻击目标
一、海军行动与法律 国际法包括习惯法和条约法两部分。习惯法基于通过实践经验和大多数政府的默许而逐一发展起来的事件和案例。条约法是各国就特定主题达成的明确协议。国际法是由政府制定和发展起来的，目的是保护政府利益，而这些利益之一就是有效和合法地使用武装部队。自美国最高法院在南北战争期间裁决“普罗维登斯案”2以来，武装冲突法一直适用于任何实际存在国际武装冲突的情况。因此，无需宣战或所谓的技术“战争状态”即可使法律适用。这已编入《保护战争受难者日内瓦公约》（1949 年）的共同规定中，该规定规定，各公约适用于缔约国之间“一切经过宣战的战争或任何其他武装冲突的情况”，“即使其中一方不承认战争状态。”3
英国外层空间对象的补充注册表
3引言54 SES-10 4术语术语表55 Telesat phase 1 LEO 5 MARCSB-1A 56 SES-14 6 INTELSAT 603 57 KASSTSAT 59 HS3-IS 9 I2-F2 60 SES-110 SES-111 10 I2-F3 61 SES-11SES-11SES-11SES-11 SES-11 I2-F4 62 SEAHAWK-1 12 SEAHAWK-1 12 s80/TATINES 64 33 dAD vinst-14 44 33 vinst-14 44 XXIII 14 Posat-1 65 Kazzosat-2 1 Kitsat-2 (Kitsat-B) 66 Picasso 16 Healthsat-II 17 NATO IVB Gibraltar 18 Fasat-alpha 67 Satcom-c4 19 i3-F1 68 Ge Satcom-1a (NSS-11) 20 i3-f2 69 Ses-7 (Protoster II / Indors) 21 i3-f3 70 Ses-3 22 intelsat 26 23 ii cayman islands 24 i3-f4 71 zenit 3 rocket booster (demosat) 25 tsat-1 72 zenit 3 rocket booster (directv-R1) 26 thor III 73 Zenit Rocket Booster (ICO#1) 27 i3-f5 28 Galaxy 27 29 tsinghua-1 30 ICO-F2 31 Artemis 32 Srius 4 33 SSTL DEIMOS-1 34 Ses-1 35 Astra 1n 36 n2 37 Nigeriasat-x (NX) Ses-2 39 NSS14 (SES-4) 40 ADS-1b (exactview-1) 41 Astra 2f 42 Ses-6 43 Astra 2e 2e 44 Ses-8 45 Astra 5b 46 Astra 2g 2g 47 Alsat-1b 48 rapideye-1 5 rapideye-2 51 rapideye-3 52 RAPIDEYE-4 53 RAPIDEYE-5
被动RF支持紧密间隔对象方案
在太空领域意识（SDA）任务领域，尤其是地球同步轨道，在现有的太空监视网络（SSN）和商业市场中，主要有两个现象，用于观察，测量和表征近距离空间对象（CSO）：地面基于雷达和电动光电传感器。这些现象学和能力在SDA社区中是众所周知的，但跌倒了。本文将介绍并强调强大的SDA现象学，被动射频（RF）的独特能力。被动RF天线可用于支持CSO场景，以进行独特的卫星识别和通过操纵检测产生ephemeris。通过观察每个卫星自己的RF传输，它将涵盖用于轨道测定和操纵检测的独特，高度准确的，非交叉标记的测量结果。包括现实世界的商业示例，用于突出这种能力和对分析的讨论。
基于注意力驱动的卷积神经网络对物体的视觉识别
摘要 - 感知和识别对象的能力对于与外部环境的互动至关重要。研究它们及其与大脑活动变化的关系由于可能应用到直观的脑机界面（BMI）而增加。另外，已经研究了使数据足够可区分以进行分类的不同视觉刺激时的独特模式。但是，报告的分类精度仍然较低或用于获取脑信号的技术对于在实际环境中使用不切实际。在这项研究中，我们的目标是根据提供的视觉刺激来解码脑电图（EEG）信号。主题呈现了72张属于6种不同语义类别的照片。使用脑电图信号根据视觉刺激进行了6个类别和72个示例。为了达到高分类的准确性，我们提出了一个注意力驱动的卷积神经网络，并将我们的结果与用于对EEG信号进行分类的常规方法进行了比较。我们报告的6级和72级的精度分别为50.37±6.56％和26.75±10.38％。这些结果在统计学上优于其他常规方法。这是可能的，因为使用人类视觉途径应用了注意网络。我们的发现表明，当受试者具有不同语义类别的视觉刺激以及具有高分类精度的示例级别时，可以区分脑电图信号。这表明它可以在现实世界中将其应用于现实的BMI。
顶层皮层中的振荡爆发反映了多个对象和合奏之间的动态关注
视觉系统使用两种免费策略在场景中同时处理多个对象，并实时更新其空间位置。它要么使用选择性注意力将复杂的动态场景个性化成几个焦点对象（即对象个体化），要么通过在整个场景（即集合分组）中更全球地分布全球的注意力来代表多个对象作为集合。神经振荡可能是焦点对象个性与分布式集成组的关键签名，因为它们被认为可以通过抑制性控制机制调节视觉区域的神经兴奋性。，我们在多对象跟踪范式中记录了全头MEG数据，其中人类参与者（13位女性，11名男性）在不同的指令之间切换了对象个性化的指令，并在不同的试验中进行了集合分组。在两个条件之间，刺激，反应和跟踪多个空间位置的需求保持恒定。我们观察到在多对象加工过程中，在双侧下对顶皮层中增加了一个频带功率（9-13 Hz）。单审判分析表明，对物体个体与集成分组试验的爆发发生较大。相比之下，我们发现使用标准分析对跨审判的平均带功率没有差异。此外，爆裂效果仅在下方/at（但不高）发生，而不是上面的多个对象处理的典型容量限制（AT； 4个对象）。他们支持一种节奏，是对多个对象和合奏的动态关注的脉冲态度。我们的发现揭示了实时神经相关性的基础，即多对象方案的动态处理，这是通过对策略和能力进行分组来调节的。
通过... 实现的亚波长物体的光学计量
摘要。几十年来，显微镜和各种形式的干涉仪一直用于通常大于光波长λ的物体的光学计量。然而，由于衍射极限，亚波长物体的计量被认为是不可能的。我们报告说，通过分析物体散射的相干光的衍射图案，使用深度学习分析，可以测量亚波长物体的物理尺寸，精度超过λ/800。使用633nm激光，我们表明可以以0.77nm的精度测量不透明屏幕中亚波长狭缝的宽度，这对电子束和离子束光刻的精度提出了挑战。该技术适用于集成计量和加工工具的智能制造应用中纳米尺寸的高速非接触式测量。