XiaoMi-AI文件搜索系统
World File Search System本地化
在移动应用程序的自动 UI 本地化测试中使用 AI
科学文献中很少提到本地化测试，特别是在移动应用领域。本论文重点介绍了 iOS 移动应用自动本地化测试系统的实际实施。我在一家以移动和桌面应用为主要产品的国际公司担任软件工程师。每个应用都本地化为多种语言。测试每个用户界面 (UI) 是否按每种语言显示正确的内容是软件开发生命周期中最耗时的部分。由于测试的视觉性质，需要在具有各种操作系统和屏幕分辨率的不同设备上手动重复完成此操作。有效测试本地化应用对于质量工程师来说始终是一个挑战，因为他们不是语言专家。测试范围在某种程度上仅限于查找错误布局、重叠、未翻译的文本和错误表示的字符等错误。名为 NEAR 的原型系统是本论文的成果。它旨在自动执行 UI 本地化测试中的大多数任务。它集成了来自 Google 等服务提供商的经过预先训练的基于云的自然语言处理 (NLP) 和计算机视觉人工智能模型，为测试添加了视觉上下文。因此，运行回归测试所需的时间更少。测试范围现在包括查找需要语言技能的错误，例如误译、文本截断和语言环境违规。
本地化废物减量网络、全球销毁网络和循环经济
自从 McDonough 和 Braungart (2002) 出版《从摇篮到摇篮：重塑我们的制造方式》以来，人们开始思考如何（重新）设计制造业以创造循环经济 (CE)。建立这些循环经济的核心目标是通过减少、再利用和回收生产、分销和消费过程中的材料，将经济增长与自然资源枯竭和环境退化脱钩 (Hvass 和 Pederson，2019 年；Murray 等人，2017 年)。关键在于从围绕材料和能源的线性流动配置的生产流程转向围绕资源使用和废物残留问题配置的循环或“闭环”系统 (Brydges，2021 年)。这需要从根本上改变产品的设计、生产和消费方式，以便将可持续性、闭环思维和消费后实践置于商业模式的核心 (Hvass 和
改进了基于IR的错误本地化，具有智能相关性反馈
摘要 - 软件错误在开发和维护过程中构成了巨大的挑战，从业者将近50％的时间用于处理错误。许多现有技术采用信息检索（IR），使用错误报告和源代码之间的文本和语义相关性来本地化报告的错误。但是，他们经常难以弥合需要深入上下文理解的错误报告和代码之间的关键差距，这超出了文本或语义相关性。在本文中，我们提出了一种用于错误本地化的新技术 - 大脑 - 通过评估与大语言模型（LLM）之间的相关性来解决上下文差距。然后，它利用LLM的反馈（又称智能相关性反馈）来重新调整查询并重新排除源文档，从而改善错误本地化。我们使用基准数据集–Bench4BL和三个完善指标评估大脑，并将其与文献的六个基线技术进行比较。我们的实验结果表明，MAP，MRR和HIT@K的大脑的表现分别超过了87.6％，89.5％和48.8％的利润率。此外，由于相应的错误报告质量较差，因此可以将≈52％的错误定位为无法通过基线技术定位的错误。通过解决上下文差距并引入智能相关性反馈，大脑不仅提高理论，而且可以改善基于IR的错误本地化。索引术语 - Bug本地化，查询重新印象，智能相关性反馈，信息检索，大语言模型，自然语言处理，软件工程
loc-net：快速视觉位置识别的本地化卷积尖峰神经网络
4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国
Swarm-Slam：多机器人系统的稀疏分散协作同时本地化和映射框架
摘要 - 合并同时定位和地图（C-SLAM）是在没有外部定位系统（例如室内，地下或水下）中成功多机器人操作的重要组成部分。在本文中，我们引入了Swarm-Slam，这是一种开源C-Slam系统，旨在可扩展，灵活，分散和稀疏，它们都是Swarm Robotics的关键特性。我们的系统支持LIDAR，立体声和RGB-D传感，它包括一种新型的机器人间环关闭优先级技术，可降低通信并加速收敛。我们在五个不同的数据集上评估了我们的ROS 2实现，并在通过临时网络通信的三个机器人的现实实验中评估了我们的ROS 2实现。我们的代码公开可用：https：//github.com/mistlab/swarm-slam
重组和本地化：在CS2Agbibr6薄膜中展开电导率损失背后的途径
cs 2 agbibr 6（CABB）被认为是铅卤化物钙钛矿的一种有希望的无毒替代品。但是，低电荷载体收集效率仍然是将该材料纳入光电应用中的障碍。在这项工作中，我们使用稳态和瞬态吸收和反射光谱研究CABB薄膜的光电特性。我们发现，由于薄膜内部多次反射，这种薄膜上的光学测量结果被扭曲。此外，我们使用微秒瞬时吸收光谱和时间分辨的微波电导率测量来讨论这些薄膜电导率损失背后的途径。我们证明，载体损失和定位的综合作用导致CABB薄膜的电导率损失。此外，我们发现电荷载体扩散长度和晶粒尺寸的数量级相同。这表明该材料的表面是电荷载体损失的重要原因。
footyvision：在足球视频中的多对象跟踪，本地化以及球员和球的增强
足球视频内容分析是一个快速发展的领域，旨在丰富足球比赛的观看体验。当前的研究通常集中于玩家和/或球形检测，跟踪和本地化的特定任务。我们的研究致力于将这些努力整合到能够处理透视转换的综合多对象跟踪（MOT）模型中。我们的框架（footyvision）使用了在扩展的球员和球数据集中训练的Yolov7骨干。MOT模块建立了一个画廊，并根据特征嵌入式，界限框相交，距离，距离和速度来通过匈牙利算法分配身份。我们模型的一个新组件是透视转换模块，该模块利用Yolov7骨架的激活映射使用线，相互作用点和椭圆形来计算同型。此方法有效地适应动态
QSEEK：一个用于自动地震检测，本地化和表征的数据驱动框架
摘要我们引入了一种数据驱动的方法和软件，用于检测和定位大型地震数据集中的地震。通过结合通过神经网络相拾取器传递的地震阶段到达注释，并通过自适应OCTREE搜索进行波形堆叠，我们也可以自动检测并定位Seis-MIC事件，即使在噪声主导地震数据中也是如此。搜索量的分辨率是地震源位置的迭代精制；该策略促进了有效，快速和准确的搜索。我们提出了一个基于既定框架，fea-turing事件检测层和复杂的3D速度模型以及事件特征提取功能，SutasmomentAndlocomeMentAndlocalMagnitudeCalcalulculationFrompeakeakermotions，提供了一个用户友好且高性能开源软件框架。Weimedsatation特定的校正和特定于源的电台项中的搜索中，以提高位置准确性。我们通过从不同地区和地质环境中的大型地震数据集中提取广泛的地震目录来验证并验证我们的方法：（1）冰岛雷克雅内斯半岛； （2）德国Eifel火山区； （3）犹他州锻造。我们从构造活动，火山群和诱导的微吸毒活性中捕获地震事件，幅度在-1到5。如此精确而完整的地震目录有助于解释和理解原本隐藏的地下过程。
深度学习的对象检测，智能轮椅医疗保健移动性的本地化和跟踪
摘要：本文介绍了智能电动轮椅的高级驾驶员援助系统（ADA）的开发，以提高残疾人的自主权。我们的用例基于正式的临床研究，基于轮椅室内环境中物体的检测，深度估计，定位和跟踪，即：门和门把手。这项工作的目的是为轮椅提供一个感知层，使以这种方式检测这些关键点在其直接周围的周围，并构建了短期寿命语义图。首先，我们将Yolov3对象检测算法的改编对我们的用例进行了改编。然后，我们使用Intel Realsense相机介绍我们的深度估计方法。最后，作为方法的第三步也是最后一步，我们根据排序算法介绍了3D对象跟踪方法。为了验证所有发展，我们在受控的室内环境中进行了不同的实验。使用我们自己的数据集对检测，距离估计和对象跟踪进行实验，其中包括门和门把手。
X-ICP：在极端环境中稳健本地化的可本质性感光激光雷达注册
摘要 - 在具有挑战性的环境中需要可靠的定位，需要现代机器人系统才能运行。基于激光雷达的局部化方法，例如迭代最接近的点（ICP）算法，可能会在几何无知的环境中遭受损害，这些环境已知，这些环境已知会导致点云登记性能恶化，并沿弱受约束方向推动散落的优化。为了克服这个问题，这项工作提出了i）稳健的可局部性检测模块，ii）局限性感知到的受限的ICP优化模块，该模块将其与统一的局限性检测模块相结合。通过利用扫描和地图之间的对应关系来实现所提出的可区分性检测，以分析优化的主要方向的对齐强度，作为其细粒度的LIDAR固定性分析的一部分。在第二部分中，然后将此可本质性分析集成到扫描到映射点云注册中，以通过执行受控更新或离开优化的脱位方向来生成无漂移姿势更新。所提出的方法经过彻底评估并将其与模拟和现实世界实验1中的最新方法进行了比较，证明了激光挑战环境的性能和可靠性提高。在所有实验中，所提出的框架表明没有环境特异性参数调整的准确且可推广的可局部性检测和可靠的姿势估计。