XiaoMi-AI文件搜索系统
World File Search SystemPerc
通过运动吸引强大的通信网络
协作感知允许在多个代理（例如车辆和基础）之间共享信息，以通过交流和融合来获得对环境的全面看法。当前对多机构协作感知系统的研究通常会构成理想的沟通和感知环境，并忽略了现实世界噪声的效果，例如姿势噪声，运动模糊和感知噪声。为了解决这一差距，在本文中，我们提出了一种新颖的运动感知robus-Busban通信网络（MRCNET），可减轻噪声干扰，并实现准确且强大的协作感知。MRCNET由两个主要组成部分组成：多尺度稳健融合（MRF）通过驱动跨语义的多尺度增强的聚集到不同尺度的融合特征，而运动增强机制（MEM）捕获运动上下文，以补偿动作对物体引起的信息，从而解决了姿势噪声。对流行的协作3D对象检测数据集的实验结果表明，在噪声方案中，MRCNET优于使用较少的带宽感知性能的噪声方案。我们的代码将在https://github.com/indigochildren/collaborative-ception-mrcnet上进行重新释放。
健康和旅游学生中大脑流失感知的串行调解模型
抽象目的：它的目的是探索自我效能感和财务焦虑水平在健康和旅游学生的生活满意度对大脑流失看法的影响中的串行调解作用。方法：在这项描述性研究中，在Antalya，Türkiye和串行中介模型和回归分析中，使用四个量表，生命满意度，自我效能，经济焦虑量（自我满意度，自我效率，财务焦虑）收集了403名参与者的数据。结果：根据数据，83.3％的旅游业，74.8％的护理，56.5％的牙科和55.7％的医学院学生表示他们正在考虑毕业后正在迁移。生活满意度对自我效能感和对财务焦虑的负面影响产生了积极影响，对财务焦虑的自我效能感具有积极影响。生命满意度对大脑流失有直接的负面影响，而自我效能感和财务焦虑对大脑排水产生了积极影响。学生对生活满意度的看法是大脑流失意图的重要先决条件，自我效能感和财务焦虑对这种影响具有中介作用。最影响其迁移意图的因素是脑力流失态度和教职员工。财务焦虑，自我效能感和出国意图是影响大脑流失看法的变量。结论：本研究中表达的移民意图和大脑消耗态度预测，对该国的医疗保健和旅游服务的可持续性构成了直接和严重的威胁。需要采取干预措施，例如改善财务焦虑和提供生活满意度。关键词：脑力消耗，财务焦虑，生活满意度，移民，自我效能，串行模型分析，学生
EmbodiedScan：面向具身 AI 的整体多模式 3D 感知套件
摘要 在计算机视觉和机器人领域，具身代理有望探索其环境并执行人类的指令。 这就需要能够根据第一人称观察充分理解 3D 场景，并将其语境化为语言进行交互。 然而，传统研究更多地侧重于从全局视角进行场景级输入和输出设置。 为了解决这一差距，我们引入了 EmbodiedScan，这是一个多模态、以自我为中心的 3D 感知数据集和整体 3D 场景理解的基准。 它包含超过 5k 个扫描，封装了 1M 个以自我为中心的 RGB-D 视图、1M 个语言提示、160k 个 3D 导向框，涵盖 760 多个类别，其中一些与 LVIS 部分一致，以及具有 80 个常见类别的密集语义占用率。 基于这个数据库，我们引入了一个名为 Embodied Perceptron 的基线框架。它能够处理任意数量的多模态输入，并表现出卓越的 3D 感知能力，无论是在我们建立的两个系列基准测试（即基本 3D 感知任务和基于语言的任务）中，还是在野外。
Associate-3Ddet：用于 3D 点云对象检测的感知到概念关联
尽管最近的研究通过深度学习技术突破了极限，但从 3D 点云中进行物体检测仍然是一项具有挑战性的任务。由于严重的空间遮挡和点密度随到传感器距离的固有变化，同一物体在点云数据中的外观会有很大变化。因此，设计针对这种外观变化的鲁棒特征表示是 3D 物体检测方法的关键问题。在本文中，我们创新地提出了一种类似域自适应的方法来增强特征表示的鲁棒性。更具体地说，我们弥合了特征来自真实场景的感知域和特征从由富含详细信息的非遮挡点云组成的增强场景中提取的概念域之间的差距。这种领域自适应方法模仿了人脑在进行物体感知时的功能。大量实验表明，我们简单而有效的方法从根本上提高了 3D 点云物体检测的性能并取得了最先进的结果。
*ljubljanatrådãnd/mxeomdqd {nejka，mihelicf，mihelicf，simond} @fe的人工感知学院实验室。
，QWURGXFWLRQ口语技术的域范围从语音输入和输出系统到复杂的理解和生成系统，包括具有广泛差异的复杂性（例如自动命令机）和多语言系统（例如自动对话和翻译系统）的多模态系统。对此类系统的标准和评估方法的定义涉及高度特定的口语语料库和词典资源的规范和开发，以及测量和评估工具。在开始时，这些领域的标准是从以前在许多欧洲和国家项目中建立的口语社区中的共识得出的，它参考了美国和日本的重要举措。主要是SAM项目（集中在组件技术评估和语料库创建上），SQALE（用于大型词汇系统评估）以及日d和Sundial和Sunstar（用于多模式系统）过去和现在的项目在评估和资源领域具有重要的产量，包括ARS，Relator，Onomastica和SpeechDat，以及德国的Verbmobil等主要国家项目和研究计划。
机器人空间感知的场景表示
机器人及时通过传感器数据构建持久，准确且可操作的模型的能力是自主操作的范围。在将世界表示为点云可能足以进行本地化时，避免障碍物需要更密集的场景表示形式。另一方面，更高级别的语义信息通常对于分解必要的步骤来完成一项复杂的任务，例如烹饪，自主是至关重要的。因此，迫在眉睫的问题是，手头机器人任务的合适场景表示是什么？这项调查提供了对关键方法和框架的全面回顾，这在机器人空间感知领域推动了进步，并特别关注了代表的历史演变和当前的趋势。通过将场景建模技术分类为三种主要类型（公式，公式和指标 - 语言流行），我们讨论了空间启示框架正在从构建世界的纯几何模型转变为更高级的数据结构的方式，这些模型包括更高级别的概念，例如对象实例和位置的概念。特别重点是实时同时定位和映射（SLAM）的方法，它们与深度学习的集成，以增强了鲁棒性和场景的理解，以及它们处理场景动态性的能力，作为当今驾驶Robotics研究的一些最热门的主题。我们在讨论方面的挑战和未来的研究方向的讨论中进行了结论，以建立适合长期自治的强大而可扩展的空间感知系统。
20 IEEE感知的研讨会超出可见的...
计算机视觉社区过去主要集中于视觉算法的开发，用于对象检测，跟踪和分类，并在白天和类似办公室的环境中使用可见的范围传感器。在过去的十年中，红外线（IR），深度，X射线和其他不可见名的成像传感器仅在医学和防御等特殊领域中使用。与传统的计算机视觉相比，在这些感觉领域的兴趣相对较低，部分原因是它们的高成本，低分辨率，图像质量差，缺乏广泛可用的数据集以及/或缺乏对频谱不可访问的部分的优势的考虑。随着传感器技术的迅速发展，传感器成本急剧下降，这些局限性正在克服。此外，对安全和可靠性是主要问题的自主系统的兴趣日益增强，强调了强大的感知系统的重要性。在此类关键系统中，在不同频谱中运行的传感器相互补充，以克服每个单独的传感器的局限性，以在各种照明和天气条件下提供强大而可靠的感知。
受大脑启发的具有脉冲神经元的多层感知器
近年来，多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差，MLP 在特征提取方面表现良好并取得了惊人的效果。然而，由于其结构简单，其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能，我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络，在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中，我们将 LIF 神经元的机制合并到 MLP 模型中，以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信，包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块，我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率，据我们所知，这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
用户对Rotem引导止血复苏的看法：一项混合定性 - 定量研究
摘要：粘弹性的护理止血复苏方法，例如Rotem或TEG，对于决定时间柔性的个性化凝结干预措施至关重要。国际输血指南强调患者的安全性增加和降低治疗成本。我们分析了护理提供者对Rotem的看法，以识别感知的优势和改进领域。我们进行了一项单中心，混合的定性 - 定量研究，包括访谈，然后进行在线调查。使用模板方法，我们在护理提供商对Rotem的响应中首先识别主题。后来，参与者根据在线问卷中的五点李克特量表上的六个陈述对六个陈述进行了评分。接受了七十七名参与者的采访，52名参与者完成了在线调查。通过分析用户感知，我们确定了十个主题。最常见的积极主题是“高准确性”。最常见的负面主题是“需要培训”。在在线调查中，有94％的参与者同意监控实时Rotem Temograms有助于更快地启动目标治疗，而81％的人同意重复的ROTEM培训将是有益的。麻醉护理提供者发现Rotem是准确且迅速可用于支持动态和复杂止血情况下的决策。但是，临床医生认为解释Rotem是一项复杂且认知要求的任务，需要明显的培训需求。
信任人工智能：对公众看法的定性探索和对风险和福利的接受
本文旨在研究民众对人工智能（AI）的危险和优势的看法，以及这些看法对AI的信任和接受的影响。对来自加利福尼亚州旧金山的90名参与者进行了采访，并对他们的反应进行了定性分析，从而引起了积极和负面影响的有趣组合。虽然新机会被认为是有帮助的，尤其有助于使生活更加方便并帮助一方面解决世界的问题，但AI被认为会带来一些负面后果。大约有60％的人担心AI取代工作人员的可能性，有47％的人关心其偏见的可能性，而52％的人关心其侵犯Peo-Ple的隐私的可能性。关于特定素质，信托被确定为重要措施。58％的参与者质疑AI行动及其目标的开放性。此外，有62％的参与者在AI开发和使用方面的治理和披露方面表现出很高的兴趣。这项工作提供了有关以下事实的见解：有必要通过建立较高水平的透明度，道德标准来提高公众对AI的信任。所有这些见解都必须扩展有关AI治理的讨论，并强调我们必须在该领域中实现创新，同时考虑到某些关键价值观。