XiaoMi-AI文件搜索系统
World File Search SystemSuhas
suhas vijayakumar
○音乐情感研究：基于Web的调查，据说印度斯坦古典音乐中的每个Raga都能诱发一系列独特的情感。我参与了设计和开发在线研究以测试这一主张。进行在线研究的主要目的是收集和研究各种人口统计学人士对印度斯坦音乐的反应。这项研究是印度第一个此类研究，包括设计所需的网站，在HTML，PHP和MySQL中编码以及管理响应数据库。它使我对研究数据伦理和实践的宝贵见解。
旋转 - 等级的神经网络，用于从卫星图像中删除云 /作者= suhat，suhas; Marks，Tim K. /creationDate = 2025年1月8日 /主题=人工智能，计算机视觉，机器学习< /div>
摘要在本文中，我们旨在使用深层神经网络从多云的光学图像和对齐的合成孔径雷达（SAR）图像中恢复无云的光学图像。与以前的方法相反，我们观察到卫星图像特征通常没有首选方向。通过使网络层遵守改变输入图像的方向的几何约束，可以将此见解纳入神经座的设计中，只能改变相应的输出图像的方向，而不必影响秘密的质量或细节。我们构建了一个多模式旋转 - 等级神经网络，称为EquICR（Equivariant Cloud Removal），该网络准确地编码了此几何。在接受公共SEN12MSCR数据集接受培训时，我们观察到使用EquiCR的重建图像质量的改善，与使用深度学习无内置旋转等效性相比。有趣的是，在更困难的情况下，当云覆盖量很高或训练数据集很小时，EquiCR对基线方法的改善更大。
liDar对象检测 /作者= hegde，deepti的时空时空的自我安排； Lohit，Suhas； Peng，Ruan-Chuan；琼斯，迈克尔·J；帕特尔（Vishal M.
抽象的流行表示方法鼓励在输入上应用的转换下的特征不变性。然而，在3D感知任务中，诸如对象定位和segmen的任务中，输出自然与某些转换（例如旋转）相等。使用训练前损失函数，鼓励在某些转换下的特征等同于特征，提供了强大的自学信号，同时还保留了传输特征表示之间的几何关系信息。这可以在下游任务中改善与此类转换一样的下游任务。在本文中，我们提出了一个时空的阶段性学习框架，通过共同考虑空间和时间增强。我们的实验表明，最佳性能是通过预训练的方法产生的，该方法鼓励了对翻译，缩放和平流，旋转和场景流量。对于空间增强，我们发现，根据转换，是对比度目标或按分类目标的对比度，可以产生最佳的要求。为了利用现实世界的对象变形和运动，我们考虑了顺序的LIDAR场景对，并开发出一个基于3D场景流量的新颖的均衡性目标，从而导致整体上的性能。我们表明，在许多设置中，3D对象检测的预训练方法优于现有的模棱两可的方法。
