XiaoMi-AI文件搜索系统
World File Search System变形金刚
在平等中偏爱一个 - 不是一个好主意：基于变形金刚的人行人检测的多对一匹配
与基于卷积神经网络（CNN）相比，我们研究了基于变压器的行人检测模型较低性能的原因。CNN模型会产生密集的行人建议，单独完善每个建议，然后对其进行非最大抑制（NMS）的跟进，以产生稀疏的预测。在争论中，变压器模型每个地面真相（GT）行人盒选择一个建议，然后从中选择了正面的正态。所有其他建议，其中许多与选定的建议高度相似，都通过了负梯度。尽管这导致了稀疏的预测，从而消除了NM的需求，但在许多类似的建议中，任意选择，有效的训练和较低的行人检测准确性。为了减轻问题，我们建议基于Min-Cost-Flow的配方，而不是常用的Kuhn-Munkres匹配算法，并纳入了诸如每个地面真相盒的约束，并且与一个建议的提案相匹配，并且许多同样好的建议可以与单个地面真相盒相匹配。我们提出了基于匹配算法的第一个基于变压器的行人检测模型。广泛的实验表明，我们的方法达到了3个失误率（较低）3。7 /17。4 /21。8/8。3/2。0在Eurocity / tju-traffic / tju-校园 /城市专家 /加州理工学院数据集中，而4个。7/18。7/24。8/8。5/3。 1通过当前的sota。 代码可从https://ajayshastry08.github.io/flow_ matcher 获得。5/3。1通过当前的sota。代码可从https://ajayshastry08.github.io/flow_ matcher
![[re] Birt：在视觉变形金刚中以生物风格的重播用于持续学习](/simg/4/4c1c4fb6909873de81a732fa517961b80c3e6721.webp)
[re] Birt：在视觉变形金刚中以生物风格的重播用于持续学习
持续学习（CL）构成了深层神经网络（DNN）的重大挑战，这是由于灾难性的忘记在引入新的任务时对先前获得的任务的灾难性忘记。人类在学习和适应新任务的情况下擅长而无需忘记，这是通过大脑中的融合学习系统归因于抽象体验的彩排的能力。这项研究旨在复制和验证Birt的发现，Birt的发现是一种新型方法，利用视觉变压器来增强表示练习的代表性，以进行持续学习。birt在视觉变压器的各个阶段引入了建设性噪声，并与工作模型的指数移动平均值（以减轻过度拟合并增强鲁棒性）相加。通过复制Birt的方法，我们试图验证其声称的改善，比传统的原始图像排练和香草代表对几个具有挑战性的CLENCHM分析进行排练。此外，这项研究还研究了Birt对自然和对抗性腐败的记忆效率和稳健性，旨在增强其实际适用性。复制将提供对原始论文中介绍的思想的可这种可总合性和普遍性的关键见解。
bevgan：生成鱼眼交叉视图变形金刚
摘要：当前的停车援助和监测系统合成鸟类视图（BEV）图像，以提高驱动程序的可见度。这些BEV图像是使用称为“逆透视图”（IPM）的流行透视转换创建的，该转换将其投射到FishEye摄像头捕获的环绕视图图像的像素上。然而，IPM在准确地表示高度和接缝的对象方面面临挑战，因为它依赖于刚性几何变换，因此将预计的环绕视图缝合在一起。为了解决这些局限性，我们提出了Bevgan，这是一种新型的几何形状引导的条件生成副本网络（CGAN）模型，将多尺度鉴别器与基于变形金刚的生成器相结合，该生成器利用Fisheye摄像机校准和注意力机械机制，以隐含地模拟该视图之间的几个几何形式的变换。实验结果表明，在图像保真度和质量方面，Bevgan的表现优于IPM和最先进的跨视图生成方法。与IPM相比，我们报告了 + 6的改进。在PSNR上的2 dB，MS-SSIM上的 + 170％在描绘停车场和驾驶场景的合成数据集上进行评估。此外，还通过零射推理证明了Bevgan在现实世界中的图像上的概括能力。
生物学启发的认知体系结构和生成的预训练的变形金刚是朋友或敌人？
bica*ai是一个悠久的长期研发企业，旨在创建旨在模仿人类水平人工智能的计算体系结构。最近，在其领域非常出乎意料的是，似乎是另一个竞争者 - 一种基于GPT的AI工具，旨在模仿用户友好的自然人类语言的人类计算机对话。正如其设计师所声称的那样，该设备展示了一般AI的迹象。在激动人心而快乐的接待之后，很明显，新竞争对手无法履行其预期的承诺 - 它会返回错误和误导性的回应，欺骗和虚假信息。该问题引发了一波公共反对意见，并要求停止并防止进一步的设备部署。另一方面，设备设计人员声称不完美是暂时的，很快该产品将富裕其备用的品质。不，这永远不会发生！本文的目的是说明最初基于GPT的AI工具设计的方法最初是有缺陷，错误和不合适的，因为它忽略了智能和信息专业人士的基本定义。该论文加入了普遍的意识，即对基于GPT的AI工具的不受限制和自由散布对人类社会构成威胁，类似于粗心的生物武器研究的威胁。
对表示漏洞和工程强大的视觉变形金刚的机械理解
大型语言模型（LLMS）因其在各种任务中具有出色的属性和多功能性而被越来越多地认可。但是，与这些模型相关的高推理成本尚未得到关注，尤其是与现有研究中培训成本的关注相比。响应这一差距，我们的研究在广泛的NLP任务中对LLM推断能量进行了全面的基准测试，我们在其中分析了不同的模型，任务，提示和系统相关因素对推理能量的影响。具体来说，我们的经验揭示了几个有趣的见解，包括将推理能量与输出令牌长度和响应时间的密切相关。此外，我们发现量化和最佳批量大小以及针对性的及时短语可以显着降低能量使用。这项研究是第一个在各种各样的各个方面进行彻底基准的LLM，从而提供了见解并提供了一些提高模型部署能源效率的建议。
![正交表示用于估计因果量的学习
生成的AI和创造性工作：叙事，价值观和影响
triffid：提高第一响应者效率的自动机器人辅助
微守流：边缘设备的复杂性自我注意力低的视觉变压器
covid- ... 之间的不可思议和争议性溢出
arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日
对表示漏洞和工程强大的视觉变形金刚的机械理解
arxiv：2502.05610v1 [CS.CL] 2025年2月8日
Goproteingnn：利用蛋白质知识图蛋白表示学习
台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆
arxiv：2502.08704v1 [cond-mat.supr-con] 2025年2月12日
机器人引发的久坐行为的社会控制
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
arxiv：2502.07964v1 [cs.lg] 2025年2月11日
对石墨烯中振荡大声电效应的相干检测
arxiv：2502.09316v1 [CS.CL] 2025年2月13日
将基于物理的建模与锂离子电池的机器学习相结合
Trellis BMA：DNA存储的IDS通道上的编码跟踪重建
arxiv：2502.07650v1 [stat.ml] 2025年2月11日
与Soc- ... 的多间隔能量储备合作](/simg/3/371e53cea55d57b21dc3cec4490fd2d843578c28.webp)
正交表示用于估计因果量的学习 生成的AI和创造性工作：叙事，价值观和影响 triffid：提高第一响应者效率的自动机器人辅助 微守流：边缘设备的复杂性自我注意力低的视觉变压器 covid- ... 之间的不可思议和争议性溢出 arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日 对表示漏洞和工程强大的视觉变形金刚的机械理解 arxiv：2502.05610v1 [CS.CL] 2025年2月8日 Goproteingnn：利用蛋白质知识图蛋白表示学习 台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆 arxiv：2502.08704v1 [cond-mat.supr-con] 2025年2月12日 机器人引发的久坐行为的社会控制 增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控 arxiv：2502.07964v1 [cs.lg] 2025年2月11日 对石墨烯中振荡大声电效应的相干检测 arxiv：2502.09316v1 [CS.CL] 2025年2月13日 将基于物理的建模与锂离子电池的机器学习相结合 Trellis BMA：DNA存储的IDS通道上的编码跟踪重建 arxiv：2502.07650v1 [stat.ml] 2025年2月11日 与Soc- ... 的多间隔能量储备合作
表示学习被广泛用于观察数据的因果量（例如，有条件的平均治疗效应）。尽管现有的表示学习方法具有允许端到端学习的好处，但他们没有Neyman-Ottrol-ottrodenal学习者的理论特性，例如Double Ro-Busberness和Quasi-Oracle效率。此外，这种表示的学习方法通常采用诸如平衡之类的规范约束，甚至可能导致估计不一致。在本文中，我们提出了一类新型的Neyman-Ottrodonal学习者，以在代表水平上定义的因果数量，我们称之为或称为校友。我们的旅行者具有几个实际的优势：它们允许基于任何学习的表示形式对因果量进行一致的估计，同时提供了有利的理论属性，包括双重鲁棒性和准门的效率。在多个实验中，我们表明，在某些规律性条件下，我们的或学习者改善了现有的表示学习方法并实现最先进的绩效。据我们所知，我们的或学习者是第一批提供代表学习方法的统一框架，而Neyman-ottrol-ottrodenal学习者进行因果量估计。
变形金刚：纯粹基于注意力的网络学习
自我注意事项是指神经网络自行找出序列的哪些部分，例如单词句子或图像中的一系列斑点，共同有助于解决手头的问题。例如，对于语言翻译，自我注意力的目标是找出源语言中哪些单词在一起有助于目标语言中任何单个单词的产生。另一方面，在图像识别中，自我注意力将有助于网络弄清楚哪些补丁程序共同做出了最大的贡献，可以正确预测类标签。
深度学习和变形金刚中的硕士论文
组合优化在多样化的物流，制造，基因组学和合成生物学等多样化的领域中的许多现实应用中都起着至关重要的作用。这些问题及其复杂的变化的NP坚硬性质使它们难以解决。传统方法通常依赖于数十年研究的确切算法和启发式方法。但是，他们在可伸缩性和对其他问题的适应性方面挣扎。为了克服这些局限性，深度学习的成功导致了神经组合优化（NCO）的出现，后者从传统方法偏离了传统方法，以利用神经网络的概括能力。在这里，通过从数据中学习无需手动制定算法规则的数据，对神经网络进行了培训，从而生成了近乎最佳的解决方案。
CNN，RNN和变形金刚
人类行动识别（HAR）涵盖了监视各个领域的人类活动的任务，包括但不限于医学，教育，娱乐，视觉监视，视频检索以及对异常活动的识别。在过去十年中，HAR领域通过利用卷积神经网络（CNN）和经常性的神经网络（RNN）来有效提取和理解复杂的信息，从而增强了HAR系统的整体性能，从而取得了实质性的进展。最近，计算机视觉的领域见证了视觉变压器（VIT）的启示作为有效的解决方案。超出图像分析的范围，已验证了变压器体系结构的功效，从而将其适用性扩展到了不同的视频相关任务上。值得注意的是，在这一景观中，研究界表现出对HAR的浓厚兴趣，承认其多种效用并在各个领域中广泛采用。本文旨在提出一项涵盖CNN的涵盖调查，鉴于它们在HAR领域的重要性，RNNS对VIT的发展。通过对现有文献进行彻底研究并探索新兴趋势，本研究对该领域的累积知识进行了批判性分析和综合。此外，它还研究了正在进行的开发混合方法的努力。遵循此方向，本文提出了一种新型的混合模型，该模型旨在整合CNN和VIT的固有优势。