XiaoMi-AI文件搜索系统
World File Search System搜索区域
城市道路井盖自动化检测...
摘要 - 本文提出了一个新的框架，用于使用移动激光扫描（MLS）数据自动检测城市道路封面。首先，为了缩小搜索区域并降低计算复杂性，道路表面点通过基于路边的道路表面分割方法从原始点云进行了细分，并通过逆距离加权插值将其隔离为地理性强度图像。然后，开发了一个有监督的深度学习模型，以构建一种用于描述本地图像贴片的高阶特征的Multilayer特征生成模型。接下来，对随机森林模型进行了训练，可以从高阶补丁特征学习映射到以特定地点为中心的城市道路人孔盖的概率。最后，根据多层特征生成模型和随机森林模型，从地理参与强度图像中检测到城市道路人孔盖。定量评估表明，在检测地理位置强度图像中，提出的算法分别达到了平均合并，正确性，质量和F 1-分别达到0.955、0.959、0.917和0.957的量化。比较研究证明了拟议算法比其他现有方法的优势性能，用于使用MLS数据快速和自动检测城市道路人孔覆盖。
ScreenPot-Pro：专业高级...
多模式大语言模型（MLLM）的最新进展已导致在开发GUI代理的一般任务（例如Web浏览和移动电话使用）方面取得了很大的进步。但是，它们在专业域中的应用仍未得到探索。这些专业的工作流程为GUI感知模型引入了独特的Challenges，包括高分辨率显示器，较小的目标尺寸和复杂的环境。在本文中，我们介绍了ScreenSpot-Pro，这是一种新的基准测试，旨在严格评估高分辨率实行设置中MLLM的接地能力。基准包括来自带有专家宣传的专业领域的真实高分辨率图像。它涵盖了五个行业和三个操作系统的23个应用程序。iSting GUI接地模型在此数据集上的性能较差，最佳模型仅达到18.9％。我们的实验表明，从策略上降低搜索区域会提高准确性。基于这种见解，我们提出了Screenseeker，这是一种视觉搜索方法，它可以使强大计划者的GUI知识指导级联的搜索，并以48.1％的速度实现了最先进的性能，而无需进行任何附加培训。我们希望我们的基准和发现能够推动GUI代理的专业应用开发。
地图集文档
搜索使用140 fb - 1在√𝑠= 13 = 13 TEV的proton-Proton碰撞中，搜索在辐射量激量激量仪中腐烂的中性长颗粒（LLP）。分析由三个通道组成。第一个目标配对生产的LLP，其中至少一个LLP的产生具有足够低的增强，以至于其衰减产物可以作为单独的喷气机解析。第二和第三通道的目标LLP分别与衰减衰变的𝑊或𝑍玻色子相关。在每个通道中，不同的搜索区域针对不同的运动学制度，以涵盖广泛的LLP质量假设和模型。没有观察到相对于背景预测的事件过多。higgs玻色子分支分支到成对的一对大于1％的强烈衰减中性LLP，在95％的置信度下排除在95％的置信度下，适当的衰减长度在30 cm至4.5 m的适当范围内，这取决于LLP质量，这取决于LLP质量，这是先前搜索的Hadronic Caloremeter搜索量的三个因素。与横截面高于0.1 pb的𝑍玻色子相关的长寿命深光子的产生被排除在20 cm至50 m的范围内的深色光子平均衰减长度，从而通过数量级提高了先前的Atlas结果。最后，Atlas首次对长期的光轴轴向粒子模型进行了探测，生产横截面高于0.1 Pb，在0.1 mm至10 m范围内排除了0.1 Pb。
![arxiv：2402.04598V1 [CS.HC] 2024年2月7日](/simg/g:\will\search\icon\source\0\0c956cd7426e379a52ec8740ec3bd812e4c80e71.webp)
arxiv：2402.04598V1 [CS.HC] 2024年2月7日
相互作用时，当我们查看包括自主代理和人类相互作用的搜索区域（例如人类机器人相互作用（HRI））时，可能会变得尤为重要。HRI的研究开始越来越多地检查数据可视化以增强机器人的安全性[8]，可视化传感器数据[2]或传达感知结果以支持机器人的解释性[3]。然而，与数据雕塑或改变形状的条形图相反，机器人被视为其自主性，互动性和适应性的结果[4]。此外，先前的研究表明，机器人的外观，运动或行为会影响用户的喜欢，接受，信任，以及用户是否认为机器人是智能的[9]。对机器人的感知和态度的这种变化在通过机器人体现和可视化的数据时提出了几个问题：如果数据通过机器人体现和传达，其代理如何影响交互，用户对传送数据的态度和态度？例如，机器人的代理商如何影响用户对数据的信任？与以前在数据可视化方面的研究相一致，后者还提出了如何将数据映射到机器人行为的问题，从而输出参数（例如光或运动）。另一方面，我们还问自己如何通过机器人行为可视化数据可能会改变与机器人的感知和互动（例如它是否增强了机器人的解释性或突出其功能？）。第二，数据机构的问题超出了HRI范围。可以说，代理商不必显式设计的代理，但可以归因于，因此可以被认为。代理是由互动性，自主性和适应性提高[4]所定义的；因此，可以将实现，匹配和支持这些标准的数据可视化视为代理本身，我们将其定义为数据机构。如果此假设确认是正确的，那么未来的研究将为设计指南提供有关数据机构将来的样子的信息。在介绍了数据物理和实施方案的域中相关工作后，我们建议定义数据机构和
地面搜索和救援的扫描宽度估计
历史上首次成功开发并进行了现场测试，一种科学合理且实用的方法可以客观地确定陆地环境中对搜索和救援 (SAR) 重要物体的检测概率。使用志愿搜索者收集数据并使用简化的分析技术进行分析，所有成本都非常低。这项工作为解决搜索规划和评估问题打开了大门，这些问题在陆地 SAR 社区中已经激烈争论了近 30 年，但从未得到解决。搜索本质上是一个概率过程，无法保证成功或失败。搜索仍然是一项重大挑战，尤其是在生命受到威胁时。但是，使用正确的工具和概念进行精心计划的搜索更有可能成功，而且同样重要的是，当生命受到威胁时，成功会更快。规划搜索包括评估所有可用信息，然后，由于通常不可能一次性在所有地方进行彻底搜索，因此需要决定如何最好地利用可用的、通常有限的搜索资源。由于“所有可用信息”还包括任何已完成的未成功搜索，因此需要适当核算一般搜索区域的各个部分或子部分的搜索效果。这将成为规划失踪人员后续搜索活动的输入。对于搜索前规划和搜索后评估，搜索规划人员必须能够客观地估计在给定资源和努力程度下在给定搜索区域部分中发现给定物体的概率。检测概率 (POD) 取决于努力程度、部分大小以及检测搜索对象的难易程度。检测的难易程度又取决于所使用的传感器（通常是肉眼）、所寻找物体的性质（大小、颜色等）以及搜索时和搜索地点的环境（地形、植被、天气等）。虽然陆地搜索的规划者通常知道他们在搜索什么、他们有哪些可用资源以及资源将要或已经发送的部分的大小和环境特征，但他们无法量化搜索者在检测搜索对象时的难易程度。有效扫描宽度可以被视为一种将所有因素都考虑在内的“可检测性指数”。这使得他们没有客观的方法来估计 POD，并在过去 30 年中有效地阻碍了将陆地 SAR 搜索规划置于更科学的基础上的尝试。规划人员被迫要么在没有可靠数据的情况下做出主观的 POD 估计，要么依靠搜索者自己的更主观的估计。量化“可探测性”的最简单指标是一个称为“有效扫描（或搜索）宽度” (ESW) 的值。这个概念将影响给定搜索情况下检测的所有因素（传感器、环境、搜索对象）的综合影响降低为一个表征该情况下搜索对象“可探测性”的单个数字。它不应被视为传感器之间的“宽度”或间距。不幸的是，有效扫描宽度无法直接测量。有必要进行检测实验并从中减少数据。该项目的目标是：