XiaoMi-AI文件搜索系统
World File Search SystemSemantic
量子过程演算的效果语义 - DROPS
量子通信协议的发展激发了人们对过程演算和行为等价性的量子扩展的兴趣，但定义与量子系统观测特性相匹配的双相似性是一项出奇困难的任务。明确解决此问题的两个提案 qCCS 和 lqCCS 没有定义算法验证方案：通过比较两个过程在所有输入状态下的行为来证明它们的双相似性。我们引入了一种基于效应的新语义模型，即表示其可观察特性的量子态的概率谓词。我们定义并研究了效应分布和效应标记转换系统 (eLTS) 的属性，分别概括了概率分布和概率标记转换系统 (pLTS)。作为概念证明，我们为最小量子过程代数提供了基于 eLTS 的语义，我们证明它在量子过程的可观察概率行为方面是合理和完整的。据我们所知，我们的提案是第一个符合量子理论特性的可通过算法验证的提案。
户外环境中自动导航的实时衡量标准映射
摘要 - 编码人类优先知识的度量语义图的创建代表了环境的高级突出。然而，构建此类地图构成了与多模式传感器数据融合，实时映射性能的融合以及结构和语义信息一致性的保留相关的挑战。在本文中，我们引入了一个在线度量 - 语义映射系统，该系统利用LIDAR-Visual-Visual-Visual惯性传感生成了大型室外环境的全局度量标准网格地图。利用GPU加速度，我们的映射过程达到了出色的速度，无论场景尺度如何此外，我们将所得地图无缝地集成到现实世界中的导航系统中，从而实现了基于公制的语义地形评估和在校园环境中的自主点 - 要点导航。通过对包含24个序列的公共可用数据集进行的广泛实验，我们证明了映射和导航方法的有效性。
语义增强的视觉原型框架，用于几个...
几乎没有射击学习（FSL）旨在鉴于有限的培训样本，旨在识别新的猫。核心挑战是避免过度适应最小数据，同时确保对新课程的良好概括。一种主流方法采用视觉特征提取器的原始类型作为分类器的重量，并且性能取决于原型的质量。由于不同的类别可能具有相似的视觉特征，因此视觉影响具有局限性。这是因为现有方法仅在预训练阶段学习一个简单的视觉特征，但忽略了完善的特征空间对原型的重要性。我们介绍了语义范围的视觉原型框架（SEVPRO）来解决此问题。sevpro从预训练阶段中学到了原型，并用作所有基于原型FSL方法的ver-Satile插入式框架。具体来说，我们通过将语义嵌入到视觉空间中，以相似的视觉特征为有助于分类类别来增强实质性的可区分性。对于新颖的课堂学习，我们利用基础类别的知识，并结合语义信息以进一步提升原型质量。同时，对FSL基准和ABLATIM研究的实验实验证明了我们对FSL的影响的优越性。
SGDCL：可解释自主驾驶的语义引导动态相关学习
通过学习表达表达，深度学习（DL）彻底改变了自主驾驶（AD）。尽管取得了重大进步，但DL模型的继承性不透明产生了公众的信任，阻碍了他们广泛采用的采用。为了表现出可行的自主驾驶，当前的研究主要专注于从现场提取特征，以预测驾驶动作及其响应解释。然而，这些方法不足以在动作和解释（这项工作中称为类别）中实现语义和相关性信息，从而导致了次优的性能。为了解决这个问题，我们提出了语义引导的动态相关性学习（SGDCL），这是一种新颖的方法，可以利用语义丰富性和动态相互作用与类别的内在性。sgdcl启用语义引导的学习模块，以获取特定于类别的表示和动态相关学习模块，以适应类别之间的复杂相关性。另外，我们引入了一个创新的损失术语，以利用类别的细粒度同时统计来进行精制正则化。我们可以在两个完善的基准上进行广泛评估SGDCL，这表明了它优于七个最先进的基线和一个大型视觉模型。SGDCL可显着促进可解释的自主驾驶，最多15个。3％的绩效提高和可解释的关注分数，增强了公众对AD的信任。
跨域通过双匹配转换
跨域少数射击语义分割（CD-FSS）旨在训练可以从不同域中分割具有一些标记图像的域类别的广义模型。以前的作品证明了特征转化在顾问CD-FSS中的有效性。但是，他们完全依靠支持图像进行特征转换，并且反复使用每个班级的一些支持图像很容易导致过度拟合并忽略了类内部外观差异。在本文中，我们提出了一个双重匹配的基于转换的网络（DMTNET）来解决上述问题。我们建议自我匹配转换（SMT），而不是完全依靠支持图像，以基于查询图像本身本身构建特定于特定的转换矩阵，以将特定于域特异性的查询特征转换为域。计算特定特定的转换矩阵可以防止过度拟合，尤其是对于元测试阶段，仅将一个或几个图像用作支撑图像来分割数百或数千个图像。获得了域 - 不足的特征后，我们利用了双关联构建（DHC）模块，以与Support图像的前景和背景之间的查询相关之间的超相关性，基于前景和背景图的前景和背景预测映射的产生和超级映射，并具有分为分段，以增强其分段。此外，我们提出了测试时间自我填充（TSF）策略，以更准确地自我调整看不见的域中的查询预测。代码可在https://github.com/chenjiayi68/dmtnet上找到。在四个流行数据集上进行的实验实验表明，DMTNET比最新方法实现了卓越的性能。
by-slam：基于台面和语义信息提取的动态视觉大满贯系统
摘要：SLAM是一种至关重要的技术，用于实现无人车辆的自主导航和定位。传统的视觉同时本地化和映射算法建立在静态场景的假设上，从而忽略了动态目标在现实世界环境中的影响。来自动态目标的干扰可以显着降低系统的定位精度，甚至导致跟踪故障。为了解决这些问题，我们提出了一个名为S-Slam的动态视觉大满贯系统，该系统基于“同样和语义信息提取”。最初，引入了词汇描述符来描述定向的快速特征点，从而提高了特征点匹配的精度和速度。随后，fasternet替换了Yolov8的骨干网络以加快语义信息提取。通过使用DBSCAN聚类对象检测的结果，获得了更精致的语义掩码。最后，通过利用语义面膜和表现约束，可以辨别和消除动态特征点，从而仅利用仅利用静态特征点进行姿势估计，并构建了不包括动态目标的密集3D地图。在TUM RGB-D数据集和现实世界情景上进行了实验评估，并证明了拟议算法在滤除场景中的动态目标方面的有效性。与Orb-Slam3相比，TUM RGB-D数据集的本地化准确性提高了95.53％。针对经典动态大满贯系统的比较分析进一步证实了通过lam的定位准确性，地图可读性和鲁棒性的提高。
sfpnet：用于一般激光雷德点云上语义分割的稀疏焦点网络
摘要。尽管LiDAR语义分割迅速发展，但最先进的方法通常融合了源自机械旋转激光雷的基准的专门设计的诱导偏差。这可以将模型的通用性限制在其他类型的LiDAR技术中，并使超参数调整更加复杂。为了解决这些问题，我们提出了一个广义框架，以通过我们稀疏的焦点调制来代替窗户注意力来适应市场中普遍存在的各种各样的发光剂。我们的SFPNET能够阐述多层上下文，并使用栅极机制动态聚集它们。通过实现渠道信息查询，编码包含本地和全局上下文的功能。我们还引入了一种新型的大型混合溶质激光雷达语义segmentation数据集，用于机器人应用。sfpnet表现出对源自机械旋转激光雷达的常规基准测试的竞争性能，同时在从固态激光拉尔的基准上实现最新结果。此外，它在我们的新型数据集中的现有方法胜过来自混合固体激光雷达的新型数据集。代码和数据集可从https://github.com/cavendish518/sfpnet和https://www.semanticindustry.top获得。
户外环境中自动导航的实时衡量标准映射
摘要 - 纳入人为优先知识的度量语义图的创建代表了环境的高级突出。然而，构建此类地图构成了与多模式传感器数据融合，实时映射性能的融合以及结构和语义信息一致性的保留相关的挑战。在本文中，我们引入了一个在线度量 - 语义映射系统，该系统利用LIDAR-Visual-Visual-Visual惯性传感生成了大型室外环境的全局度量标准网格地图。利用GPU加速度，我们的映射过程达到了出色的速度，无论场景尺度如何此外，我们将所得地图无缝地集成到现实世界中的导航系统中，从而实现了基于公制的语义地形评估和在校园环境中的自主点 - 要点导航。通过对包含24个序列的公共可用数据集进行的广泛实验，我们证明了映射和导航方法的有效性。对从业者的注释 - 本文在复杂的，非结构化的环境中应对具有丰富语义元素的复杂，非结构化环境中的移动机器人的竞争挑战。传统导航依赖于几何分析和手动注释，努力区分相似的结构，例如道路和人行道。我们的地图集成到现实世界中的导航系统中，通过与公共和专有数据集进行实验，可在本地化和地形评估中有效。索引条款 - 自主驾驶，映射，导航我们提出了一个在线映射系统，该系统为大型室外环境创建全局标准网格地图，利用GPU加速速度，并克服了现有的实时语义映射方法的限制，这些方法通常可以配置为室内设置。未来的工作将集中于整合基于内核的方法，以提高地图的语义准确性。
魔术师：通过语义吸引控制
摘要。传统的图像介绍任务旨在通过引用周围背景和前景来恢复所破裂的区域。但是，需求不断增长的对象擦除任务旨在消除对象并产生和谐的背景。以前的基于GAN的涂料方法与复杂的纹理产生斗争。基于新兴扩散模型的算法（例如稳定的扩散插图）具有产生新内容的能力，但它们通常会在擦除的物体的位置产生不一致的结果，并且需要高质量的文本提示输入。为了应对这些挑战，我们引入了魔术师，这是一个针对对象擦除任务量身定制的基于扩散模型的框架。它由两个阶段组成：内容初始化和可控生成。在后阶段，我们开发了两个插件模块，称为及时调整和语义意识到的注意力。此外，我们提出了一种数据构建策略，该策略生成了特别适合此任务的培训数据。Magiceraser在减轻不希望的伪像的同时，可以很好地控制内容产生。实验结果突出了我们在对象擦除任务中的有价值的进步。