XiaoMi-AI文件搜索系统
World File Search Systempixels
使用LIDAR和监视摄像机的数据估算道路洪水的深度
摘要在这项研究中，我们从安装在车辆上的3D激光雷达和外部交通监视摄像头的图像中融合数据，以创建经常洪水泛滥的道路部分的3D表示。这项研究中的LIDAR的点云数据是从ODU校园附近Norfolk的W 49街的一条路段收集的。交通监视摄像头安装在同一地区的公共停车大楼上。LIDAR在车辆穿越该部分时会收集连续的点云框架。使用ICP注册方法将与外部摄像头监控的多个与各个道路相关的LIDAR框架首先合并为单位点云，代表路段的局部高分辨率数字高程模型（DEM）。然后，将结果的DEM投射到监视摄像头捕获的被淹没的道路的图像上。到此目的，采用了摄像机校准技术来估计转换参数。相机校准方法依赖于一个包含点及其相应像素的数据集中的目标图像。生成了点的虚拟网格和相应的像素以运行相机校准函数。提到的数据集是借助激光雷达的内部相机上的投射点云而生成的，从而使我们能够识别对象和Curbsides。还采用了观点几何原则来创建DEM。投影结果显示了用于摄像机校准的技术技术的成功性能。深度估计是在外部相机记录的洪水图像上使用投影的DEM模型进行的。
SCD – 半导体器件。 - SIBAT
Blackbird 是一款先进的 MWIR 探测器，是 SCD 高清探测器系列的扩展。它包括一个 3 兆像素 FPA，像素格式为 1920x1536，间距为 10μm。新的 FPA 基于 SCD 成熟的 InSb 技术和采用先进 CMOS 工艺实现的数字读出电路。FPA 的尺寸与 SCD 的 SXGA 格式 Hercules 探测器非常相似，实际上可以封装在同一个杜瓦瓶中。这产生了一个非常大的格式探测器，具有出色的图像质量、高帧速率和相对紧凑的尺寸。
一种基于线性反馈寄存器和混沌量子映射的多级加密新方案
随着通过不安全通信渠道传输的数据量不断增加，大数据安全已成为网络安全领域的重要问题之一。为了解决这些问题并确保数据安全，需要一个强大的隐私保护密码系统。这种解决方案依赖于混沌加密算法，而不是标准加密方法，这些算法具有多级加密级别，包括高速、高安全性、低计算开销和程序能力等特点。在本文中，提出了一种使用线性反馈移位寄存器 (LFSR) 和基于混沌的量子混沌映射的安全图像加密方案。该方案的重点主要取决于来自算法输入的密钥。威胁形势、统计测试分析以及与其他方案的关键比较表明，所提出的算法非常安全，并且可以抵抗各种不同的攻击，例如差分攻击和统计攻击。与现有加密算法相比，所提出的方法具有足够高的灵敏度和安全性。几个安全参数验证了所提工作的安全性，例如相邻像素之间的相关系数分析、熵、像素变化率 (NPCR)、统一平均变化强度 (UACI)、均方误差 (MSE)、强力、密钥敏感度和峰值信噪比 (PSNR) 分析。所提技术生成的密码的随机性也通过了 NIST-800-22。NIST 的结果表明，密码具有高度随机性，不会产生任何类型的周期性或模式。
![arxiv：2303.09171v3 [CS.CV] 2024年1月31日](/simg/g:\will\search\icon\source\f\ff2103e46fc111d77d9c88fa924fb41c96cc989b.webp)
arxiv：2303.09171v3 [CS.CV] 2024年1月31日
最近，神经网络模型的解释引起了相当大的研究关注。在计算机Vi-Sion中，CAM（类激活图）基于基于cam的方法和LRP（层相关性传播）方法是两种common解释方法。但是，由于大多数基于CAM的方法只能产生全球权重，因此它们只能在深层进行粗粒的解释。LRP及其变体可以生成细粒度的解释。但是解释的忠诚太低了。为了应对这些挑战，在本文中，我们提出了FG-CAM（细粒度凸轮），该cam扩展了基于CAM的方法，以产生高粒度和高信仰。fg-cam使用具有分辨率差异的两个特征图层之间的关系，以逐渐增加解释分辨率，同时找到贡献的像素并滤除不贡献的像素。我们的方法不仅可以解决基于CAM的方法的短相处，而不会改变其特征，而且还产生了比LRP及其变体更高的忠诚度的细粒度解释。我们还以denoising呈现FG-CAM，这是FG-CAM的一种变体，能够产生较少的嘈杂解释，而忠实的解释几乎没有变化。实验结果表明，FG-CAM的性能几乎不受解释分辨率的影响。fg-cam在浅层和中间层中均显着优于基于CAM的方法，并且在输入层中均优于LRP及其变量。我们的代码可在https://github.com/dongmo-qcq/fg-cam上找到。
Tessera SX40 LED处理器
以标准2U机架形式提供，总输出容量为900万像素，SX40提供了支持全4K LED墙的支持，最高为60hz，12位颜色深度。它支持无延迟的4K上/下缩放缩放，以使源与屏幕以及所有行业领先的Tessera处理功能相匹配。这些包括HDR和动态校准以及超低潜伏期，HFR+（高帧速率）和框架重新映射。此外，在屏幕颜色调整（OSCA）上进行了颜色不匹配校正的知名度；还可以使用黑色区域细节的深色魔法和视频颜色更换的色谱
coolux - M Square 设计管理有限公司
Pandoras Box Player 系统（STD 和 PRO）具有大量新的视觉效果，包括每个层和输出均可访问的各种键控滤镜，将视频合成提升到新的创意水平。动态 Aeon™ 效果引擎允许为每个层分配多个 fx。Aeon™ 链通过拖放创建，并通过时间线、TCP/UDP、Art-Net / DMX512 矩阵输出的任意组合单独控制。内置的 DMX 矩阵渲染允许创建自定义应用程序，其中需要将 LED 或照明设备用作巨型视频表面的像素。
计算机视觉和深度学习在水下栖息地鱼类分类中的应用：一项调查
图 5 演示了流行的 CNN 架构 UNET（Ronneberger 等人，2015 年）。UNET 的第一个组件是编码器，用于从输入图像中提取特征。第二个组件是解码器，用于输出每个像素的分数。该网络由五个不同的层组成，包括卷积层 (Conv Layer)、整流线性单元 (ReLU)、池化、反卷积层 (DeConv) 和 SoftMax。在这里，DNN 层的任务是只给输入图像中属于鱼身的像素高分，从而得到所示的白色斑点输出，显示鱼的位置
![arXiv:2111.11184v1 [physics.ins-det] 2021 年 11 月 22 日](/simg/g:\will\search\icon\source\0\0122e5130a1b771c92006aa8ae69ef85b63b6248.webp)
arXiv:2111.11184v1 [physics.ins-det] 2021 年 11 月 22 日
摘要：本文介绍了一种采用 130 nm SiGe BiCMOS 技术设计的小面积单片像素探测器 ASIC，用于升级 CERN 的 FASER 实验的预流探测器。该原型的目的是研究快速前端电子器件在像素敏感区域内的集成，并确定能够最好地满足实验规格的配置。为了应对与像素内前置放大器和鉴别器集成相关的若干挑战，自感噪声、不稳定性和串扰被最小化。还将描述用于特性描述和设计选择的方法。这里研究的两种变体将在 FASER 实验预流的预生产 ASIC 中实施，以进行进一步测试。
眼睛是心脏的镜子
人眼是一种独特的感觉器官，是感觉神经系统的一部分。但是，有许多器官系统也可以与眼睛一起使用。在我的书《超越人眼》和《人眼的额外视觉功能》一书中，我试图强调视觉不仅是人眼的功能。眼睛的大部分外部由角膜和巩膜组成；中间部分 - 镜头系统，没有血液供应，并封闭在光学清晰的水性水中。视网膜的最内向部分含有眼睛的主要血液供应。人眼是体内唯一能够“看到”光波长并将其变成视觉图像的器官。，如果没有眼睛的科学家，我们无法在利兹大学获得视觉图像，从而成功地训练了人工智能（AI）系统，以检测视网膜扫描的迹象，这些视网膜扫描相对便宜，并且由配备医生和眼科诊所进行。“如果我们可以用眼睛作为评估我们的心血管健康的窗户，那不是很好吗？”亚历杭德罗·弗兰吉（Alejandro Frangi）问。眼睛扫描签证之间的关系表明，年龄较大的人在视网膜（小动脉）和更宽，更扭曲的较大的大血管（venules）中更狭窄和扭曲的小血管。视网膜中的小动脉每10 mm Hg的收缩压增加（p <.001），每种毫米Hg的眼压升高每10 mm Hg缩小0.13像素（p <.05）（p <.05）。随访时的眼压增加与这些小血管的扭曲相比，比基线时的扭曲更大（每毫米Hg 0.59％； P = .024）。