XiaoMi-AI文件搜索系统
World File Search System动作
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
缩小导航中的视力与动作之间的差距
连续环境（VLN-CE）中的视觉和语言导航的现有方法通常结合了离散环境的方法预测指标。与使用低级操作的直接训练相比，这将导航操作简化为视图选择任务，并显着提高导航性能。但是，VLN-CE代理仍然远离真正的机器人，因为它们的视觉感知和执行动作之间存在差距。首先，离散视觉环境的VLN-CE代理主要是通过高级视图选择训练的，这使他们忽略了低级动作运动中关键的空间推理。第二，在这些模型中，现有的Waypoint预测因素忽略了对象语义及其与可传递性有关的属性，这在指示动作的可行性时可能会提供信息。为了解决这两个问题，我们引入了一个低级动作解码器，该解码器联合训练了具有高级动作预测，使当前的VLN代理可以学习并将所选的视觉视图扎根至低级控制。此外，我们通过利用包含丰富语义信息并根据人类对行动可行性的先验知识明确掩盖障碍来增强当前的路点预测指标。从经验上讲，与高级和低级作用的强基础相比，我们的代理可以改善导航性能指标。
使用自然语言动作空间进行加固学习的语言模型
使用自然语言动作空间的强化学习通常由于自然语言的组合而遭受维度的诅咒。先前的研究利用了预验证的语言模型来限制动作语义并减少动作空间的大小。然而，由于经过验证的模型通常是在一般的竞争中训练的，因此在预审计的模型中编码的先验和特定RL环境的特征之间可能存在不匹配的不匹配。为了解决这个问题，我们提出了相互信息的正规政策选择，MIPO。MIPO可以使动作空间的隐式和动态减少。从审计的语言模型提供的先验开始，我们的方法基于相互信息正常化的指导在学习过程中动态调整了先验。从理论上讲，我们证明了这种政策优化过程会导致相互信息正规化RL目标的单位改进。从经验上讲，我们在各种环境中进行了实验，并证明了MIPO的有效性。
碳排放量由某些常见动作产生的节省
如果可以将食物浪费与其他家庭废物分开，则可以防止其他废物的污染，这些废物可以有效地回收。它还确保可以将食物浪费发送到厌氧消化设施，而不是像在汉普郡那样不必要地丢失垃圾填埋场或燃烧，以帮助发电。26食物浪费的真正问题是，如果它分解了空气（氧气）的限制，它将产生强烈的温室气甲烷，在20年中，它会导致比CO2高出86倍。厌氧消化酯收集甲烷并燃烧甲烷，但在许多垃圾填埋场中，甲烷被允许逃到大气中。因此，显然我们应该避免不惜一切代价浪费食物。但是，如果您最终会浪费食物浪费，包括不可食用的零件，则最好在堆肥中或在特殊的食物浪费容器中堆肥未煮过的食物，以使空气进入。
乌克兰和恢复动作的问题...
本文的目的是评估乌克兰战争当前位置特征的原因，以提出建议，以提高乌克兰恢复这场战争的动作的能力，并在这场战争中确定这场战争中的关键创新，这可能会影响涉及美国及其盟友和盟友的未来冲突。本文未评估当前或可能未来的乌克兰能力。仍然不太预测未来的乌克兰行动。其目的是帮助乌克兰和西方领导人思考如何最好地为未来的反攻行动做准备，并确定乌克兰及其支持者必须做出的一些改编，以便能够执行这种想法。本文在乌克兰部队于2024年8月开始对俄罗斯库尔斯克的行动开始行动之前就完成了。
动作捕捉在当代动画中的意义
研究论文《动作捕捉在现代动画中的重要性》的目的是全面探索和分析动作捕捉技术在当代动画中的作用。本文旨在研究动作捕捉在塑造动画格局方面的重要性，重点关注其对现实主义、角色动画、故事叙述和动画技术整体发展的影响。它可能深入研究动作捕捉的技术方面、创新和应用，强调其对创造逼真的角色、高效的动画工作流程以及真人与计算机生成元素的无缝集成的贡献。此外，研究可能涉及动作捕捉的跨学科性质，探索其在娱乐以外的领域（例如医疗保健、虚拟现实和人机交互）的应用。总体目标是深入了解动作捕捉如何成为现代动画中的变革工具，影响动画行业的艺术和技术方面。
lanvikd：以自我为中心动作识别的跨模式语言知识蒸馏
通过分析以自我为中心的视频的分析，抽象理解人类行动是智能代理人的理想能力，并且是一个最近越来越受欢迎的研究领域。到目前为止，大多数以自我为中心的（视频）动作识别（EAR）的方法，即，根据预定义的自然语言描述（动作）对给定的视频剪辑进行分类的任务，代表目标动作类（标签）使用一个hot编码，从而忽略了某些动作之间的任何关系或相似性。这项工作的目标是通过利用预先训练的语言模型中编码的先前存在的知识来增强视觉模型的概括能力。具体来说，我们提出了一个语言知识蒸馏框架，以将预训练的语言模型对动作（文本中表达）的知识（在文本中表达）提高到视觉模型。我们不使用标签的单热编码表示，而是将所有动作类别（由语言模型构成）的概率分布作为教学信号。我们的实验表明，我们的框架根据Epic-Kitchens，Something of Something V2等基准获得了EAR的性能和泛化能力。
MOSCHIP动作识别具有姿势估计
•预估计的HRNET具有80％精度，可生成关键的人体点•通过训练和测试方法定义的动作和测试方法•用90％精确度推断出具有90％精确度的动作识别•理解HRNet姿势估计关键点并设计算法，并能够检测诸如降落，饮食和斗争的行动，诸如范围内的行动•诸如表演，围绕，围绕，围绕，围绕，围绕，围绕着斗争的行动，该算法和进行后处理以显示输出•推理在边缘AI加速器上成功执行，其快速推理时间为50 ms，速度为10 fps，用于定义的动作
Blothppo：一种近端政策优化增强机器人布操作的框架，并通过观察对齐的动作空间
基于视觉的机器人布的展开最近取得了巨大进步。但是，先前的工作主要依靠价值学习，并且没有完全探索基于政策的技术。最近，在大型语言模型上进行增强学习的成功表明，该政策级别算法可以通过庞大的空间来增强政策。在本文中，我们介绍了Bloth-PPO，该框架采用了基于演员批判性建筑的策略级别算法，以增强具有巨大的10 6个附加空间的预训练模型，该模型与观察到的任务相符。为此，我们将布置问题重新定义为部分观察到的马尔可夫决策过程。使用监督的培训阶段来培训我们政策的基准模型。在第二阶段，近端政策优化（PPO）用于指导观测一致的附属空间内的套头文模型。通过优化和更新策略，我们提出的方法增加了服装的表面积，以在软体操纵任务下展开的布料。实验结果表明，我们提出的框架可以进一步改善其他最先进方法的展开性能。我们的项目可从https：// vpx- ecnu.github.io/clothppo-website/获得。
纹状体动作选择和增强学习的动态
背侧纹状体中的棘投射神经元（SPNS）通常被提出为基底神经节中增强的学习源。在这里，我们识别并解决了纹状体增强学习模型和已知SPN突触可塑性规则之间的基本不一致10。Direct-11途径（DSPN）和间接pathway（ISPN）神经元分别促进和抑制动作，12分别表现出突触可塑性，增强了与升高或SUP-13压力的多巴胺释放相关的活性。我们表明，ISPN可塑性阻止了成功的学习，因为它14增强了与负结果相关的活动模式。但是，如果功能对手DSPN和ISPN（促进和抑制16个电流行为）同时激活作用后选择后的传递输入，则该病理学为15的HAVIOR会逆转。这17个预测得到了纹状体记录的支持，并与SPN repre-18个文章的先前模型形成鲜明对比。在我们的模型中，学习和动作选择信号可以在没有19个干扰的情况下多路复用，从而使学习算法超出了标准时间差异模型的算法。20