XiaoMi-AI文件搜索系统
World File Search Systemnamic
基于事件的图像增强在高动态范围方案下
摘要。事件摄像机作为具有较高dynamic范围的生物启发的视觉传感器，能够解决局部过度繁殖或不受欢迎的问题，即在具有高动态范围或波动的光照条件下，常规的基于框架的摄像机会遇到的常规基于框架的摄像机。由于两种相机之间的模态差距，简单的融合是不可行的。此外，由摄像机位置和框架速率偏差引起的幽灵伪影也会影响最终融合图像的质量。为了解决问题，本文提出了一个联合框架，将当地暴露的帧与事件摄像机捕获的事件流相结合，以在高动态范围场景中以偏斜的纹理增强图像。具体来说，使用轻量级的多尺度接收场块用于从事件流到帧的快速模态转换。此外，还提出了一个双分支融合模块来对齐特征并删除幽灵伪像。实验结果表明，所提出的方法有效地减轻了一系列极端照明条件的图像高度明亮和黑暗区域的信息丢失，从而产生了逼真的和自然的图像。
减轻大型语言模型中的实体级幻觉
大型语言模型 (LLM) 的出现彻底改变了用户访问信息的方式，从传统的搜索引擎转向使用 LLM 进行直接问答交互。然而，LLM 的广泛采用也暴露出一个重大挑战，即幻觉，即 LLM 生成的响应连贯但事实不准确。这种幻觉现象导致用户不信任基于 LLM 的信息检索系统。为了应对这一挑战，本文提出了基于幻觉检测的动态检索增强 (DRAD)，作为一种检测和缓解 LLM 中幻觉的新方法。DRAD 通过基于实时幻觉检测动态调整检索过程，改进了传统的检索增强。它有两个主要组件：实时幻觉检测 (RHD)，用于在没有外部模型的情况下识别潜在幻觉；基于外部知识的自我校正 (SEK)，用于使用外部知识纠正这些错误。实验结果表明，DRAD 在检测和缓解 LLM 中的幻觉方面表现出色。我们所有的代码和数据都是开源的，网址为 https://github.com/oneal2000/EntityHallucination。
卫星观测的动态靶向，包括起伏成本和复杂的观察力*
摘要 - 最大化有限的地球观察卫星资源的实用性是一个困难的问题。动态焦油获取是应对这一挑战的一种方法，该方法智能地计划并根据LookAhead传感器的信息来计划并执行主要传感器观察。但是，当前的实现未能解释逼真的卫星操作性，并使用静态实用程序来重复观察同一目标。为了解决这些局限性，我们实施了一个更通用的动态定位框架，该框架包括基于物理的摇摆模型，一个动态模型的观察效用模型以及用于收集高维修率观测值的算法。为了展示此框架，我们还提供了复杂的Dynamic效用模型，这些模型适用于许多任务和新算法，用于智能地安排使用摆动限制和改变效用的智能观察，包括贪婪的算法和深度优先搜索算法。为了评估这些算法，我们通过两个数据集测试了它们在模拟运行中的性能，并与当今地球科学任务中大多数调度算法的算法的性能进行比较，以及一个棘手的上限。我们表明，我们的算法具有从地球科学任务中改善科学回报的巨大潜力。
开尔文和温度测量
1990 年国际温标 (ITS-90) 定义为从 0.65 K 向上到光谱辐射测温法可测量的最高温度，辐射测温法基于普朗克辐射定律。在开发时，ITS-90 尽可能接近地表示热力学温度。本文第一部分描述了高达 1234.93 K 的接触式测温的实现，ITS-90 的温度范围是根据 15 个固定点的温度计校准和纯物质相平衡状态的蒸气压/温度关系来定义的。实现是通过使用固定点设备、包含最高纯度的样品和合适的温控环境来完成的。所有组件的构造都是为了实现温度计校准样品的定义平衡状态。温度实现和测量的高质量是有据可查的。描述了各种研究工作，包括通过测量高达 800 K 的气体中声速来改善热力学温度的不确定性的研究、应用噪声测温技术的研究以及对热电偶的研究。温度计校准服务和适合“现场”温度计校准的高纯度样品和设备
soscheduler -fan dang
摘要-Multi-UAV系统在处理大规模，动态和冷启动（即有限的先验知识）场景（例如野火抑制）中的复杂任务方面已经显示出巨大的潜力。由于动态和随机的环境条件，应同时执行感应任务（即火灾监控）和操作任务（即抑制火灾）的时间表，以实现实时信息收集和及时干预环境。但是，感应和操作任务的计划包含通常是不一致的，并且随着时间的流逝而发展，这使确定每个无人机的最佳策略的任务变得复杂。为了解决这个问题，本文提出了Soscheduler，这是一个合作的多UAV调度框架，用于在大规模和Dynamic Wildfire环境中进行集成感应和操作。我们引入了一个时空的置信度感知评估模型，直接和直接查明位置，这些位置可以最佳地增强对环境动力学和操作有效性的理解，以及优先的图形结构可扩展调度程序，以高效的方式协调多-UAV。对实际多uav测试床和大规模物理特征模拟的实验表明，与最新的（SOTA）解决方案相比，我们的Soscheduler将火灾膨胀率降低了59％，并将火灾覆盖率提高了190％。
动态大满贯的持续学习观点
摘要。同时进行定位和映射（SLAM）与神经代表性的同时定位和映射（由于表现力的能力和持续学习的创新范式）受到了广泛的关注。但是，在动态环境中部署这种系统尚未得到充分研究。即使对于常规算法，这种挑战也是棘手的，因为涉及的不同观点的观察涉及涉及的几何和光度一致性，而一致性为关节优化相机姿势和地图参数奠定了基础。在本文中，我们最好利用持续学习的特征，并为动态环境提出一个新颖的SLAM框架。虽然过去的努力避免通过利用体验重播策略来避免灾难性遗忘，但我们将忘记视为理想的特征。通过自适应控制重播的缓冲区，可以通过遗忘来缓解移动物体引起的歧义。我们通过引入不断学习的分类器以进行动态观察识别来限制动态对象的重播。神经图和分类器的迭代优化显着改善了在动态环境下的稳健性。对挑战数据集进行的实验验证了提出的框架的有效性。
层次结构融合为反应性机器人控制的推断
摘要 - 混乱，密集和染色环境中的运动产生是机器人技术中的一个核心话题，被视为多目标决策问题。当前的安全性和性能之间的权衡。一方面，反应性策略保证了对环境变化的快速响应，其风险次优行为。另一方面，基于计划的运动产生提供可行的轨迹，但是高计算成本可能会限制控制频率，从而限制安全性。为了结合反应性策略和计划的好处，我们提出了一种分层运动方法。此外，我们采用概率推理方法来形式化层次模型和随机优化。我们将这种方法视为随机，反应性专家政策的加权产品，在该策略中，计划用于适应任务范围内的最佳权重。这种随机优化避免了局部优点，并提出了可反应性计划，以发现混乱且致密的环境中的路径。我们在平面导航和7DOF操作中进行的广泛实验研究表明，我们提出的层次运动生成方法的表现优于近视反应性控制器和在线重新规划方法。其他材料可在https://sites.google.com/view/hipbi上找到。
发展充满活力的国家研究专题...
1980 年 12 月 26 日。致联合经济委员会成员：随函附上一份单独印刷的工作人员研究报告和技术论文，它们共同构成了《经济变化特别研究》（SSEC）第 3 卷。第 3 卷的标题为“研究与创新：发展一个充满活力的国家”，是 SSEC 发布的关于经济不同方面的 10 个领域之一。SSEC 于 1978 年在联合经济委员会前主席理查德·博林众议员、时任副主席的休伯特·H·汉弗莱参议员和前少数党资深成员雅各布·K·贾维茨参议员的指导下发起。它旨在确定经济中的重大变化并分析它们对政策制定者的影响。我相信，这项研究的成功完成将有助于为美国提供 1980 年代十年的经济议程。技术论文中表达的观点仅为作者的观点，并不一定代表联合经济委员会或个别成员的观点。工作人员研究已获得主席特别研究审查委员会的批准，该委员会由主席、众议员 Bolling、少数党资深议员 Clarence J. Brown 和参议员 Javits 组成。此致，。，谨致 LLOYD BENTSEN，联合经济委员会主席。
两种风味的颜色的压力和声音速度 -
在渐近高密度下的夸克物质是微弱耦合的。在这种弱偶联方向上，假设夸克物质的大量热力学特性（假设基态，则众所周知，众所周知，部分接下来是下一步到隔壁到领先的顺序。然而，高密度的基态有望是一种颜色超导体，其中（至少某些）夸克的激发光谱显示出具有对强耦合的非扰动依赖性的缝隙。在这项工作中，我们计算高密度夸克物质的热态性能，而在有限间隙的情况下，在耦合中，在近代领先顺序（NLO）下的温度为零。我们以两种无质量夸克风味的极限工作，这对应于对称的对称核物质，并进一步假设与夸克化学势相比，间隙很小。在这些限制中，我们发现对声音压力和速度的NLO校正与间隙的前阶效应相当，并且进一步将两个量的数量提高到其值以上，而对于非驱动夸克物质的值。我们还提供了声音NLO速度的参数化，以指导高密度区域中的现象 - 我们进一步评论是否应期望我们的发现是否扩展到与中子恒星相关的三味夸克事物的情况。
利用海马-新皮层相互作用原理进行预取
内存预取是一种性能优化技术，广泛应用于现代计算机系统的多个硬件和软件层。预取主动将数据从较慢的内存层带到较快的内存层，以预测其未来的用途。尽管对预取进行了充分研究，但仍在不断探索，尤其是随着新兴的内存层次结构包含异构性 [ 22 ]、分解 [ 27 ]、垂直 / 水平分层 [31] 和内存计算 [48]。早期的预取器针对易于捕获的模式（如步幅），并且足以满足易于理解的应用程序（如 SPEC 中的应用程序）的需求 [ 4 ]。然而，当今的系统和应用程序要复杂得多，动态性更强，简单的方法变得无效。人们对开发能够通过学习内存访问模式而不是检测预编程规则来适应动态执行的预取器的兴趣日益浓厚 [11, 18, 40]。最近的研究已经开始探索深度学习 (DL) 用于预取的可行性 [ 11 , 18 , 30 , 40 ]。理论上，DL 应该可以改善预取，因为它本质上是数据驱动的，并且应该自然地适应应用程序及其环境。事实上，这些研究表明，在理想的模拟中，DL 在准确性方面优于非学习预取方法。然而，所有这些方法都有三个主要缺点，阻碍了它们在现实世界中的应用。