XiaoMi-AI文件搜索系统
World File Search SystemPerception
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。
scone：一种具有主动感知的食物挖掘机器人学习框架
摘要：由于食物的复杂状态和多样化的物理特性，有效地挖出食品对当前机器人系统构成了重大挑战。为了应对这一挑战，我们相信将食品编码为有意义的有效食品的重要性。然而，食品的独特特性，包括可变形，脆弱性，流动性或粒度，对现有表示构成了重大挑战。在本文中，我们以隐式方式提出了积极感知来学习有意义的食物代表的潜力。为此，我们提出了Scone，这是一个食品搜索机器人学习框架，利用从积极的掌握中获得的表示形式来促进食品可铲政策学习。Scone包括两个Crucial编码组件：交互式编码器和状态检索模式。通过编码过程，Scone能够捕获食品的特性和重要的状态特征。在我们的现实世界中的实验中，Scone在三种不同的难度水平上使用6种以前看不见的食品时，成功率具有71％的成功率，超过了最先进的方法。这种增强的性能强调了Scone的稳定性，因为所有食品始终达到超过50％的任务成功率。此外，Scone可容纳各种初始状态的令人印象深刻的能力使其能够精确评估食物的当前状况，从而导致了令人信服的成功率。有关更多信息，请访问我们的网站。
nvautonet：快速准确的360DEG 3D自动驾驶视觉感知
实现强大而实时的3D感知是自动驾驶汽车的基础。虽然大多数现有的3D感知方法优先考虑检测准确性，但十个忽略了关键方面，例如计算效率，板载芯片部署友好性，对传感器安装偏差的韧性以及对各种VE-HILE类型的适应性。为了应对这些挑战，我们提出了nvautonet：一种专业的鸟类视图（BEV）感知网络 - 针对自动化车辆的明确量身定制。nvautonet将同步的相机图像作为输入，并预测3D信号（例如障碍物，自由空间和停车位）。NVAUTONET架构（图像和Bev Back-bones）的核心依赖于有效的卷积网络，该网络使用Tensorrt优化了高性能。我们的图像到BEV转换采用简单的线性层和BEV查找表，从而确保了快速推理速度。Nvautonet在广泛的专有数据集中受过培训，在NVIDIA DRIVE ORIN SOC上以每秒53帧的速度运行，始终达到升高的感知精度。值得注意的是，Nvautonet表现出对不同汽车模型产生的偏差偏差的韧性。此外，Nvautonet在适应各种车辆类型方面表现出色，这是通过廉价模型的微调程序来促进的，可以加快兼容性调整。
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
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。
调查教师对...的看法的变化
在职教师的远程专业发展。这些教师在两个州（亚利桑那州和佐治亚州）接受了两到三周的培训，重点是图像处理、计算机视觉和使用视觉媒体的机器学习。个人构想理论（K elly，1955）用于通过层次聚类分析绘制思维变化。研究问题是：在职教师在参与强调计算机视觉的远程专业发展后，对人工智能的看法发生了如何变化？树状图和描述性统计数据显示了在职教师在人工智能方面的思维变化。专业前和专业后发展树状图都有四个聚类，但构想在聚类内发生了变化。讨论了对实践和研究的意义。
CSE475：机器学习的基础
课程描述和目标：本课程提供了机器人技术中的设计和编程感知系统的介绍。该课程涵盖了使用视觉和3D深度传感器的导航领域的主题，本地化和地图制作，视觉导航和识别的基本图像处理，视觉和基于深度的掌握和操纵以及基于深度学习的感知处理技术中的前沿主题。您将开发算法，并学习如何使用当前的最新视觉和软件工具，例如OpenCV，MoveIt和Point Cloud库。该软件组件可以在机器人操作系统（ROS）下开发。该课程将在对象识别，姿势检测，视觉导航以及视觉和推理的应用空间中使用感知大约进行四到五个项目。该软件将首先在模拟中开发，然后在平台上对其进行测试，在该平台上，学生将以三个或四个组为组。该课程是一个面对面的动手学习 +发展课程，我们希望学生参加课内会议。
detdiffusion：增强数据生成和感知的生成和感知模型
当前的感知模型在很大程度上取决于资源密集型数据集，从而促使需要创新。通过从各种注释中构造图像输入来利用综合数据的最新进展，证明对下游任务有益。虽然先前的方法已单独解决了生成和感知模型，但首次降低了两者的谐调，从而解决了为感知模型生成有效数据的挑战。通过感知模型增强图像发生，我们引入了感知感知损失（P.A.损失）通过细分，提高质量和可控性。为了提高特定感知模型的性能，我们的方法通过提取和利用感知意识来定制数据（P.A.attr）在一代中。对象检测任务的实验结果突出显示了detDiffusion的统治性能，建立了布局引导的新最新作品。此外，降低的图像合成可以有效地增强训练数据，从而显着增强下游检测性能。
文章 COVID-19 疫苗接种：原发性纤毛运动障碍患者的认知和行为
1 伯尔尼大学社会与预防医学研究所，3012 伯尔尼，瑞士；eva.pedersen@ispm.unibe.ch (ESLP)；maria.mallet@ispm.unibe.ch (MCM)；yin.lam@ispm.unibe.ch (YTL)；myrofora.goutaki@ispm.unibe.ch (MG) 2 伯尔尼大学健康科学研究生院，3012 伯尔尼，瑞士 3 意大利 Ciliare Primaria Sindrome di Kartagener Onlus 协会，70124 巴里，意大利；saradcp@virgilio.it 4 ADCP 协会，42218 Saint-Étienne，法国；icizeau@cegetel.net 5 PCD Support UK，伦敦 MK18 9DX，英国； fiona.copeland@stonac.co.uk 6 Asociación Española de Pacientes con Discinesia Ciliar Primaria, Santo Ángel 30151, 菲律宾； asociaciondcpes@gmail.com 7 PCD 基金会，明尼阿波利斯，明尼苏达州 55420，美国； michelemanion@gmail.com 8 原发性纤毛运动障碍中心，NIHR 生物医学研究中心，南安普敦大学医院 NHS 基金会信托，南安普敦 SO16 6YD，英国； Amanda-lea.harris@uhs.nhs.uk (ALH)； jlucas1@soton.ac.uk (JSL) 9 南安普顿大学医学院，临床和实验医学学院，南安普顿 SO17 1BJ，英国 10 费德里科二世大学转化医学科学系，80138 那不勒斯，意大利； santamar@unina.it 11 伯尔尼大学医院儿科系儿科呼吸医学和过敏学科，伯尔尼大学医院，伯尔尼大学，3010 瑞士 * 通讯地址：Claudia.kuehni@ispm.unibe.ch；电话：+41-31-684-35-07 † COVID-PCD 患者咨询小组（按字母顺序）：Sara Bellu，意大利 Kartagener Onlus 原发性纤毛诊断协会，意大利；Isabelle Cizeau，法国 ADCP 协会；Fiona Copeland，英国 PCD 支持；Katie Dexter，英国 PCD 支持；Lucy Dixon，英国 PCD 支持；Trini L ó pez Fern á ndez，西班牙原发性纤毛诊断协会Susanne Grieder，Selbsthilfegruppe Primäre Ciliäre Dyskinesie，瑞士； Catherine Kruljac，澳大利亚 PCD 原发性纤毛运动障碍，澳大利亚； Michele Manion，PCD 基金会，美国； Bernhard Rindlisbacher，Selbsthilfegruppe Primäre Ciliäre Dyskinesie，瑞士； Hansruedi Silberschmidt，Verein Kartagener Syndrom und Primäre Ciliäre Dyskinesie，德国。
有效性和用户对低血糖症的车载语音警告的看法：开发和可行性试验
1 1个数字健康干预中心，管理，技术和经济系，苏黎世，苏黎世，瑞士2号，瑞士2德国4个管理学院，路德维希 - 马克西利亚人 - 苏尼琴，慕尼黑，慕尼黑，德国5号5数字健康干预中心，技术管理研究所，圣加伦大学，圣加伦大学，瑞士圣加伦大学6内分泌学和代谢性疾病系，瑞士，瑞士，瑞士，科学，瑞士，科学，科学，科学，瑞士，科学，瑞士，科学。瑞士苏黎世苏黎世大学医疗保健9瑞士圣加伦大学医学院