XiaoMi-AI文件搜索系统
World File Search System对象化
挖掘移动对象的周期行为
周期性是运动物体中经常发生的现象。寻找周期行为对于理解物体运动至关重要。然而，周期行为可能非常复杂，涉及多个交错的周期、部分时间跨度以及时空噪声和异常值。在本文中，我们解决了挖掘运动物体的周期行为的问题。它涉及两个子问题：如何检测复杂运动中的周期以及如何挖掘周期性运动行为。我们的主要假设是观察到的运动是由与某些参考位置相关的多个交错的周期行为产生的。基于此假设，我们提出了一个两阶段算法Periodica来解决这个问题。在第一阶段，提出参考点的概念来捕捉参考位置。通过参考点，可以使用结合傅里叶变换和自相关的方法来检索运动中的多个周期。在第二阶段，提出一个概率模型来表征周期行为。对于特定时期，通过层次聚类从部分运动序列中统计概括出周期性行为。对合成数据集和真实数据集的实证研究证明了我们方法的有效性。
基于对象的物理海岸线指标检测...
对海岸线（水体与陆地之间的接触区）的分析意味着要解决这种边界在时间和空间上的动态性质。位置（自然变化）、测量技术和解释的高度不确定性影响海岸线测绘的准确性。海岸线指标（代表海岸线位置的自然沿海特征）的定义应尽可能满足客观性标准，以便实现海岸线特征遥感的可重复性并改进海岸线测绘技术。本研究的目的是测试基于对象的分类技术在荷兰斯希蒙尼克岛北部沙滩上检测和绘制海岸线指标的适用性。将高光谱 AHS 图像与实地观察和实验室分析相结合，研究区分物理海滩隔间的可能性。这项研究确定了海滩陆地-水界面的光谱特征。反射率和水分含量之间量化的强关系为海岸线指标的定义提供了见解。对此，根据沙土湿度进行了端元选择。在此选择中，光谱亮度是主要方面。反照率差异被视为 4 种表面沙土覆盖的光谱特征：干沙、湿沙、湿沙和饱和沙。利用这种光谱特性，使用最小距离类、基于像素的分类器进行了类可分性测试，证明了沙土水分含量可用于定义这 4 种水线特征：先前高水位线、高水位线、瞬时水位线和低水位线。为了绘制这些边界，应用了一种称为“旋转变量模板匹配”的基于对象的边缘检测算法。RTM 方法在预计要检测的 4 个边界中的 1 个中失败了。从检测到的 3 个边界的结果来看，有理由认为较高的水分含量导致了指标的边缘定义。因此，检测海岸线指标的能力将向海方向下降。一个重要的含义是，定时图像采集几乎不会决定定位物理水线的可能性。本研究提出了海岸线指标的图像定义。关键词：海岸线指标、边界、光谱表征、基于对象、土壤水分、沙滩。基于对象的方法的目的是优化准确性和稳健性，这意味着良好的定位和对错误位置的区分。通过使用可靠的特征进行检测，海岸线测绘方法得到了优化，其性能优于常见的测绘方法。这项研究的结论是，通过仔细定义海岸线指标，可以绘制海岸线边界，并且我们开发的方法能够降低海岸线测绘中的不确定性水平。
无限身份 - 检查点检查对象
基于SAML/证书的验证用户：royip@checkpoint.com IP：100.124.12.57（Office Mode IP）设备：N/A合规性：合规广告组：ENTRA ID组OS OS：N/A风险级别：N/A
空间领域感知对象表征
在过去的几十年里，随着太空应用数量的增长，近地轨道变得越来越拥挤。出于国家安全和商业方面的考虑，开发获取太空态势感知的能力势在必行。雷达是一种成熟的传感技术，可用于太空领域。无源雷达利用机会发射器（如地面广播）来提供发射信号。随后的低发现概率对于监视尤其有吸引力。然而，缺乏对发射波形的控制给检测和分类带来了技术挑战。该项目将探索应对这些挑战的新型信号处理方法。Selentium Defence 的无源雷达基础设施能够捕获大量真实数据，这将成为研究中的关键因素。
上下文的人类对象互动从pre ...
现有的人类对象互动（HOI）检测方法已经引入了零拍的学习技术来认可看不见的相互作用，但是它们在理解上下文信息和全面的重新构成方面仍然存在局限性。为了克服这些局限性，我们提出了一个新型的HOI学习框架ContexThoi，它是一种效率的上下文HOI探测器，以增强上下文的理解和零拍的推理能力。所提出的contexthoi的主要贡献是一种新颖的上下文挖掘解码器和强大的互动推理大语言模型（LLM）。上下文挖掘解码器旨在从预先训练的视觉模型中提取语言上下文信息。基于提取的上下文信息，提出的相互作用推理LLM通过利用丰富的语言知识进一步增强了零拍的推理能力。广泛的评估表明，我们所提出的框架在HICO-DET和SWIG-HOI数据集上优于现有的零射击方法，在未看到交互的情况下高达19.34％的映射。
端到端级联图像去雨和对象...
摘要 — 虽然基于深度学习的图像去雨方法近年来取得了长足的进步，但在实际应用中仍存在两个主要缺点。首先，以去雨为代表的低级视觉任务与以物体检测为代表的高级视觉任务之间的差距很大，低级视觉任务几乎无法为高级视觉任务做出贡献。其次，去雨数据集的质量有待提高。事实上，很多基线中的雨线与真实的雨线差距很大，去雨数据集图像的分辨率普遍不理想。同时，低级视觉任务和高级视觉任务很少有共同的数据集。本文探索了低级视觉任务与高级视觉任务的结合。具体而言，我们提出了一种用于减少降雨影响的端到端物体检测网络，该网络由两个级联网络组成，分别是一个改进的图像去雨网络和一个物体检测网络。我们还设计了损失函数的组件以适应不同子网络的特征。然后，我们基于 KITTI 数据集提出了一个用于雨水去除和物体检测的数据集，我们的网络在该数据集上超越了最先进的技术，指标有了显著的提高。此外，我们提出的网络在自动驾驶汽车收集的驾驶视频上进行了测量，并在雨水去除和物体检测方面显示出了积极的结果。
低分辨率对象识别具有交叉...
摘要 - 在低分辨率图像中识别对象是一项具有挑战性的任务，因为缺乏信息的细节。最近的研究表明，知识蒸馏方法可以通过对齐跨分辨率表示形式有效地将知识从高分辨率的教师模型转移到低分辨率的学生模型。但是，这些方法仍然面临着适应公认对象在训练和测试图像之间表现出显着表示差异的情况的局限性。在这项研究中，我们提出了一种跨分辨率的关系对比蒸馏方法，以促进低分辨率对象识别。我们的方法使学生模型能够模仿训练有素的教师模型的行为，该模型在识别高分辨率对象方面具有很高的精度。为了提取足够的知识，学生学习受到对比的关系蒸馏损失的监督，这保留了对比表示空间中各种关系结构中的相似性。以这种方式，可以有效地增强恢复熟悉的低分辨率对象缺失细节的能力，从而导致更好的知识转移。对低分辨率对象分类和低分辨率面部识别的广泛实验清楚地证明了我们方法的有效和适应性。
多对象检测的远程智能感知系统
方法：视觉技术的进步对多个对象检测和场景理解的领域有重大影响。这些任务是各种技术的组成部分，包括将场景集成到增强现实中，促进机器人导航，启用自主驾驶系统以及改善旅游信息中的应用程序。尽管在视觉解释方面取得了长足的进步，但许多挑战仍然存在，包括语义理解，遮挡，定向，标记数据的可用性不足，照明不均匀，包括阴影和照明，方向变化，对象大小以及背景变化。为了克服这些挑战，我们提出了一个创新的场景识别框架，事实证明这是非常有效的，并产生了非凡的结果。首先，我们在场景数据上使用内核卷积执行预处理。第二，我们使用UNET分割执行语义分割。然后，我们使用离散小波变换（DWT），SOBEL和LAPLACIAN以及文本（本地二进制模式分析）从这些分段数据中提取特征。要识别对象，我们使用了深度信念网络，然后找到对象对象关系。最后，Alexnet用于基于图像中识别的对象将相关标签分配给场景。
端到端对象检测的内在解释性
抽象的深度学习模型正在自动执行许多日常任务，表明将来，即使是高风险的任务也将是自动化的，例如医疗保健和自动化驱动区。但是，由于这种深度学习模型的复杂性，了解其推理是一项挑战。此外，设计的深度学习模型的黑匣子性质可能会破坏公众对关键领域的信心。当前对本质上可解释的模型的努力仅着眼于分类任务，而在对象检测中留下了差距。因此，本文提出了一个深度学习模型，该模型可用于对象检测任务。这种模型所选的设计是众所周知的快速RCNN模型与ProtopNet模型的组合。对于可解释的AI实验，所选的性能度量是Protopnet模型的相似性评分。我们的实验表明，这种组合导致了一个深度学习模型，该模型能够以相似性得分来解释其分类，并使用视觉上的“单词袋”（称为原型）在训练过程中学习。此外，采用这种可解释的方法似乎并没有阻碍提出的模型的性能，该模型在Kitti数据集中获得了69％的地图，而GrazpedWri-DX数据集则获得了66％的地图。此外，我们的解释对相似性得分的可靠性很高。
学习小对象检测的区分功能...
总结要解决诸如小目标大小，目标特征模糊以及在小物体检测中区分目标和背景的困难之类的挑战，我们提出了一种基于多尺度图像降级的方法，结合了对比度学习模型。通过利用对比度学习技术，我们的方法旨在赋予准确区分对象和背景所需的判别特征。要专门针对小物体，我们将目标样本靶向各种多尺度图像降解模式，然后才能将它们置于对比度学习模型中。然后将增强技术应用于这些退化的样品，以促进有效的对比特征学习。因此，该模型可以更好地揭示小目标和背景之间的差异，从而提高小物体检测性能。此外，考虑到空间域特征对图像的局部变化敏感，而频域特征对全球结构变化敏感，我们的方法涉及空间和频域中的对比度学习模型，旨在为小对象检测获得更强大的功能。在MS可可数据集和Visdrone2019数据集上进行的广泛实验验证了我们提出的方法在显着提高小物体检测准确性方面的有效性。关键词：小对象检测，对比度学习，双域网络，多尺度图像退化