人类居住的世界的每个角落都是从多个视点以越来越高的频率拍摄的。谷歌地图或 Here Maps 等在线地图服务可以直接访问大量密集采样的、带有地理参考的街景和鸟瞰图像。我们有机会设计计算机视觉系统来帮助我们搜索、分类和监控公共基础设施、建筑物和文物。我们探索这种系统的架构和可行性。主要的技术挑战是结合每个地理位置的多个视图(例如鸟瞰图和街景)的测试时间信息。我们实现了两个模块:det2geo,它检测属于给定类别的对象的位置集,以及 geo2cat,它计算给定位置处对象的细粒度类别。我们介绍了一种采用最先进的基于 CNN 的对象检测器和分类器的解决方案。我们在“帕萨迪纳城市树木”上测试了我们的方法,这是一个包含 80,000 棵树木的新数据集,带有地理和物种注释,结果显示结合多种视图可以显著改善树木检测和树种分类,可与人类的表现相媲美。
在人造卫星存在的大部分时间里,其环境效益(特别是通过提供遥感数据)似乎大大超过了其环境成本。随着目前和预计的地球观测卫星和其他低地球轨道卫星数量的急剧增长,现在需要更仔细地考虑这种权衡。这里我们重点介绍了卫星技术对环境的一系列影响,采用生命周期方法来评估从制造、发射到脱轨期间的燃烧的影响。这些影响包括可再生和不可再生资源的使用(包括与数据传输、长期存储和分发相关的资源)、火箭发射和卫星脱轨对大气的影响,以及夜空变化对人类和其他生物的影响。对某些影响规模的初步估计足以强调需要进行更详细的调查,并确定可以减少和缓解影响的潜在方法。
摘要 - 本文提出了一种用于抓住不规则对象的新轨迹重新启动器。与常规的掌握任务不同,该任务简单地假定对象的几何形状,我们旨在实现不规则对象的“动态掌握”,这需要在握把过程中持续调整。为了有效处理不规则的对象,我们提出了一个构成两个阶段的轨迹优化框架。首先,在指定的时间限制为10 s的指定时间限制中,为从机器人的初始配置中进行无缝运动计算初始离线轨迹,以掌握对象并将其传递到预定义的目标位置。其次,实现了快速的在线轨迹优化,以在100毫秒内实时更新机器人轨迹。这有助于减轻视力系统中的估计错误。为了解释模型的不准确性,干扰和其他非模块化效果,实施了机器人和抓手的轨迹跟踪控制器,以从提出的框架中阐明最佳轨迹。密集的实验结果有效地证明了我们在模拟和现实世界中的轨迹计划框架的性能。
在许多物理学领域中,找到在给定物体中随机分布的平均和弦长度是一个自然的问题。从数学角度来看,这是一个看似复杂的任务,因为人们应该考虑线的空间和角度分布以及它们如何相交对象的表面。对于凸形的身体,答案令人惊讶地简单,由平均和弦长度定理给出,该定理已有一个多世纪[1]。它指出,平均和弦长度⟨c⟩与物体的形状无关,并且仅取决于体积V与表面积的比例为⟨= 4 v /。从各种角度得到证明[2-4]。最近才表明,该定理可以进一步推广到扩散物体中随机行走的研究。平均路径长度定理[5]指出,平均路径长度仍然简单地是⟨l⟩= 4 v /;这与介质的形状和散射 /扩散特性无关。有效性延伸到许多领域,因为它对物体内部的任何随机步行都是有效的,并且与封闭散射介质中的几何光学元件特别相关。该定理的一个重要条件是,入口点和初始方向是均匀和各向同性分布的,在光学中,这与兰伯特的照明相当[2]。路径长度分布和平均路径长度是许多光学系统设计的核心,可以使用射线光学描述。它们可用于计算吸收和散射培养基的光学特性[6,7],药物粉末中的折射颗粒培养基[8],用于太阳能电池设计[9-11],随机激光[12]和集成球[13,14]。射线追踪也可以与衍射效应结合使用,以计算大型粒子的电磁散射特性,例如几何光学近似和物理光学模型[15 - 20]或
直接聚变驱动器 (DFD) 是一种核聚变发动机,可为任何航天器产生推力和电力。它是一种紧凑型发动机,基于 D-3He 无中子聚变反应,使用普林斯顿场反转配置进行等离子体约束,并使用奇偶校验旋转磁场作为加热方法实现聚变。推进剂是氘,它被聚变产物加热,然后膨胀到磁喷嘴中,产生排气速度和推力。根据任务要求,单个发动机的功率范围可以在 1 - 10 MW 之间,并且能够实现 4 N 至 55 N 的推力,具体取决于所选功率,比冲约为 10 4 s。在这项工作中,我们介绍了使用这种发动机到达和研究太阳系外边界的可能性。目标是在不到 10 年的时间内,携带至少 1000 公斤的有效载荷,前往柯伊伯带及更远的海王星外天体 (TNO),如矮行星鸟神星、阋神星和鸟神星,从而可以执行从科学观测到现场操作等各种任务。所选的每个任务剖面图都尽可能简单,即所谓的推力-滑行-推力剖面图,为此,每个任务分为 3 个阶段:i. 从低地球轨道逃离地球引力的螺旋轨迹;ii. 行星际旅行,从离开影响区到滑行阶段结束;iii. 机动与矮行星会合。图中给出了每次机动的推进剂质量消耗、初始和最终质量、速度和 ∆ V。轨迹分析针对两种情况进行:简化场景,其中 TNO 在黄道平面上没有倾斜,真实场景,其中考虑了真实的倾斜角。此后,研究了多种场景,以达到 125 AU,以便研究太阳磁层的外部边界。我们的计算表明,由 DFD 推进的航天器将在有限的时间内以非常高的有效载荷与推进剂质量比探索太阳系的外部边界,开辟前所未有的可能性。
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。
我们解决了场景中检测出偏置(OOC)对象的问题。给定图像,我们的目的是确定图像是否具有在通常的上下文中不存在的对象并定位此类OOC对象。现有的OOC检测方法取决于根据手动构造的特征定义共同的上下文,例如对象的同时存在,对象之间的空间关系以及对象的形状和大小,然后学习给定数据集的上下文。但上下文通常是从非常普遍到非常令人惊讶的不等式的。,从特定数据集中获得的学习上下文可能不会被赋予一般性,因为数据集可能并不能真正代表上下文中事物的人类否定。是由大型语言模型的成功和更普遍的基础模型(FMS)在常识推理中的动机所激发的,我们研究了FM捕获上下文概念的FM的能力。我们发现,诸如GPT-4之类的预训练的FM提供了更细微的OOC概念,并且当与其他预训练的FMS结合以进行字幕生成(例如BLIP-2)(例如BLIP-2),并与sta-ble扩散2.0进行图像。我们的方法不需要任何数据集特定培训。我们在两个OOC对象检测数据集上演示了我们的AP的效率,在MIT-OOC数据集上实现了90.8%的零弹药精度,而IJCAI22-Coco-OC-OOC数据集则在IJCAI222222222的数据集上实现了87.26%。
项目参考号:47S_BE_4571大学:P.D.A.College of Engineering, Kalaburagi Branch : Department of Computer Science and Engineering Guide(s) : Dr. Sharanabadappa Gandage Student(S) : Mr. Srivatsa Mr. Sanket S. Biradar Mr. Shashank G. Sonth Introduction: Steganography, derived from the Greek words "steganos" (meaning covered or concealed) and "graphie" (meaning writing), is a fascinating and ancient practice that involves the art and science of concealing在看似无害的载体介质中的信息以确保其保密。与密码学不同,该密码学的重点是呈现不可读的消息的内容,而隐身术则试图混淆消息本身的存在。这种秘密技术在整个历史上都采用了秘密通信的一种手段,其应用程序从间谍和安全数据传输到数字水印和版权保护不等。
无人驾驶飞行器 (UAV) 以其速度快、功能多样而闻名,可用于收集航空图像和遥感数据,用于土地利用调查和精准农业。随着无人机的可用性和可访问性的增长,它们现在作为船舶监控和搜索救援 (SAR) 行动等海洋应用的技术支持至关重要。无人机上可以配备高分辨率摄像头和图形处理单元 (GPU),以有效和高效地帮助定位感兴趣的物体,适用于紧急救援行动,或者在我们的案例中,用于精准水产养殖应用。现代计算机视觉算法使我们能够在动态环境中检测感兴趣的物体;然而,这些算法依赖于从无人机收集的大型训练数据集,而目前在海洋环境中收集这些数据集非常耗时且费力。为此,我们提出了一个新的基准套件 SeaD- roneSim,它可用于创建具有真实感的照片级航空图像数据集,并为任何给定对象的分割掩模提供地面实况。仅利用 SeaDroneSim 生成的合成数据,我们在真实航拍图像上获得了 71 个平均精度 (mAP),用于检测我们感兴趣的对象,即本可行性研究中流行的开源遥控水下机器人 (BlueROV)。这款新模拟套装的结果可作为检测 BlueROV 的基准,可用于
摘要 - 我们提供了一个以双整合器动力学建模的移动机器人团队的编队控制器,以操纵围绕轮廓的可变形物体。操纵任务定义为达到目标配置,该目标配置由2D中的形状,比例,位置和方向组成,同时保留对象的完整性。我们提供了一组旨在允许对定义任务的变量的不耦合控制的控制器。对控制器的形式分析在与平衡状态的解耦,稳定性和收敛性方面深入覆盖。此外,我们还包括控制屏障功能,以执行与任务相关的安全限制,即碰撞和过度拉伸避免。在模拟和实际实验中说明了该方法的性能。