XiaoMi-AI文件搜索系统
World File Search System水下环境
NAVFAC 开放环境修复资源 (OER2)：确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置，这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险，可能会迁移，使人员接触到这些弹药。这种爆炸危险的管理很复杂，取决于特定地点的考虑因素，例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者：Bryan Harre，NAVFAC EXWC 和 Joe Calantoni，美国 NRL 博士 日期：2022 年 11 月 9 日，星期三 时间：太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会：https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接，请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案，可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具，可帮助将可持续和有弹性的实践融入修复项目中。主题：可持续的弹性修复演讲者：ITRC 日期：2022 年 11 月 17 日时间：太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会：https://clu-in.org/conf/itrc/SRR/有关更多信息，请查看 ITRC 关于此主题的报告：https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集：现在到 2022 年 11 月 16 日链接：https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新：2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地，活动举办批准将决定最终日期和地点。
NAVFAC 开放环境修复资源 (OER2)：确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置，这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险，可能会迁移，使人员接触到这些弹药。这种爆炸危险的管理很复杂，取决于特定地点的考虑因素，例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者：Bryan Harre，NAVFAC EXWC 和 Joe Calantoni，美国 NRL 博士 日期：2022 年 11 月 9 日，星期三 时间：太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会：https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接，请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案，可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具，可帮助将可持续和有弹性的实践融入修复项目中。主题：可持续的弹性修复演讲者：ITRC 日期：2022 年 11 月 17 日时间：太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会：https://clu-in.org/conf/itrc/SRR/有关更多信息，请查看 ITRC 关于此主题的报告：https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集：现在到 2022 年 11 月 16 日链接：https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新：2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地，活动举办批准将决定最终日期和地点。
ru-slam：稳健的深度学习视觉同时定位和映射（SLAM）系统，用于弱质地的水下环境
摘要：准确且健壮的同时定位和映射（SLAM）系统对于自动水下车辆（AUV）至关重要，可以在未知环境中执行任务。然而，直接将基于深度学习的SLAM方法应用于水下环境会带来挑战，这是由于纹理较弱，图像退化以及无法准确注释关键点的挑战。在本文中，提出了强大的深入学习视觉大满贯系统。首先，一个名为UWNET的功能生成器旨在解决弱纹理和图像降解问题，并提取更准确的关键点功能及其描述符。此外，基于改进的水下成像物理模型以自我监督的方式训练网络的知识蒸馏概念。最后，将UWNET集成到ORB-SLAM3中以替换传统的特征提取器。提取的本地和全局特征分别用于特征跟踪和闭环检测模块。公共数据集和自收集的池数据集的实验结果验证了所提出的系统在复杂方案中保持高精度和鲁棒性。
基于深度学习的流程，用于通过连续捕获的立体视频估计不受约束的水下环境中水生生物的数量和大小
摘要：使用固定式水下摄像机是一种现代且适应性强的方法，可提供持续且经济高效的长期解决方案来监测特别感兴趣的水下栖息地。此类监测系统的共同目标是更好地了解各种海洋生物种群的动态和状况，例如迁徙或商业相关鱼类种群。本文介绍了一种完整的处理流程，用于从固定式水下鱼类观测站 (UFO) 的立体摄像机捕获的立体视频数据中自动确定生物种群的丰度、类型和估计大小。记录系统进行了现场校准，然后使用同步记录的声纳数据进行了验证。视频数据在德国北部波罗的海入口基尔峡湾连续记录了近一年。它展示了水下生物的自然行为，因为使用被动低光摄像机代替主动照明来减弱吸引力并实现尽可能少的侵入性记录。记录的原始数据通过自适应背景估计进行预过滤，以提取具有活动的序列，然后由深度检测网络（即 Yolov5）进行处理。这提供了在两个摄像机的每个视频帧中检测到的生物的位置和类型，用于按照基本匹配方案计算立体对应关系。在后续步骤中，使用匹配的边界框的角坐标来近似所描绘生物的大小和距离。本研究中使用的 Yolov5 模型是在一个新颖的数据集上训练的，该数据集包含 10 类海洋动物的 73,144 张图像和 92,899 个边界框注释。该模型实现了 92.4% 的平均检测准确率、94.8% 的平均精度 (mAP) 和 93% 的 F1 得分。