XiaoMi-AI文件搜索系统
World File Search System照相机
bafusion：基于LIDAR和摄像机的3D对象检测的双向注意融合
摘要：3D对象检测是自动驾驶和机器人技术的一项具有挑战性且有前途的任务，从LIDAR和相机等多传感器融合中受益匪浅。传感器融合的常规方法依赖于投影矩阵来对齐LiDAR和相机的特征。但是，这些方法通常遭受灵活性和鲁棒性不足，从而在复杂的环境条件下导致对齐精度降低。解决这些挑战，在本文中，我们提出了一个新型的双向注意融合模块，该模块名为Bafusion，该模块有效地使用跨注意力从激光雷达和照相机中融合了信息。与常规方法不同，我们的浮雕模块可以自适应地学习跨模式的注意力，从而使方法更加灵活和健壮。从2D Vision中的高级注意优化技术中汲取灵感，我们开发了集合的线性注意融合层（CFLAF层），并将其集成到我们的小管道中。该层优化了注意机制的计算复杂性，并促进了图像和点云数据之间的高级相互作用，展示了一种新的方法来解决跨模式注意计算的挑战。我们使用各种基线网络（例如Pointpillars，Second和A Part-A 2）在KITTI数据集上评估了我们的方法，并在这些基准线上表现出了3D对象检测性能的一致改进，尤其是对于骑自行车的人和骑行者等较小的对象。我们的方法在Kitti基准测试中取得了竞争成果。
附件1
印度道路状况的复杂性，这些ESUV提供了无与伦比的安全性和驾驶精度，从而确保了每一段旅程的安心。•360度摄像机：提供外界的清晰景色，能够在驾驶时看到车辆下面的东西（透明视图）。还具有相机的旋转功能，可以在停车或通过城市充血进行停车或操纵时显示这些棘手的角落。•安全360：具有高级监视功能，Secure360可确保您的车辆始终保持保护，即使您不在。它可以检测和记录360摄像头，并在车辆中存储。您还可以从手机应用程序中关注您的ESUV并查看实时视图。它会在不幸的事件中自动记录这些视频。•自动公园：无麻烦的停车场变得轻而易举，有12个超声波传感器，可实现垂直，角度和平行的停车场，以及反向辅助和遥控选项，使在紧密的景点中毫不费力地停车。除了考虑印度状况外，它还提供虚拟停车位，只要安全，您都可以在任何地方停车，并且可以使用空间。•目击者：驾驶员和乘员监控系统（DOMS）跟踪驾驶员警报和卡宾活动活动，提供安全警报。这款卡宾摄像头还可以作为自拍照相机兼容，以捕捉您在ESUV中的记忆，还可以通过视频通话与亲人或工作同事建立联系（例如，Zoom，Google Meet等）自定义可选内容符合技术爱好者以及喜欢简约观点的内容。•VisionX：这种增强现实的HUD项目项目的基本信息，例如导航箭头，驱动器辅助警报以及更直接地进入驾驶员的视线，从而通过消除需要移开路面的需要，从而使更安全，无干扰的驾驶。•NFC密钥卡（可作为附件可用），以方便访问您的ESUV。
1 地球观测技术历史简介
在太空时代之前，遥感虽然没有被这样称呼，但完全是用照相机进行的。所谓的航拍照片出现于 19 世纪 50 年代，即摄影术发明后仅仅十二年，照片是从系留气球上拍摄的 - 法国摄影师 Gaspard Félix Tournachon (1820-1910)，别名 Nadar，从大约 80 米的高度获得了巴黎上空的第一张航拍照片（1858 年 10 月 23 日）；Nadar 还利用他的艺术绘制了乡村地图。1859 年，拿破仑三世命令 Nadar 获取侦察摄影，为意大利北部的索尔费里诺战役做准备。此后，在美国内战 (1861-1865) 期间，乔治·麦克莱伦将军曾数次使用系留气球，通过航拍照片研究敌方阵地。253) 二十世纪初，飞机证明了其作为民用和军用观察/侦察平台的优势。两次世界大战期间，航空摄影被广泛用于军事侦察。1947 年，美国军方对一些缴获的 V-2 火箭进行了改装和装备，用于在美国新墨西哥州 110-165 公里高空拍摄云层。[同年 (1947 年 10 月 18 日)，苏联发射了第一枚基于德国火箭 A4 (V-2) 的 LRBR (远程弹道火箭)。这些照片展示了观测天气的巨大潜力。254) 战后和 1960 年之前，航空彩色和红外胶片彩色的发展为民用遥感带来了明显的推动。彩色红外摄影为某些植被类型的粗略分类提供了一些解释手段。高速摄像机与广角镜头相结合，为拍摄地球表面提供了更多机会。以下参考资料提供了有关德国早期火箭发展历史的更详细说明，特别是二战前和二战期间，以及二战后的美国。255) 256)
用于自主视线导航的高精度星跟踪器算法的设计和仿真。⋆
深空立方体卫星正成为普通航天器的宝贵替代品。它们的开发可以标志着太空探索的新纪元，由于任务成本明显降低，为许多太空领域参与者拓宽了可能性。为了正确利用微型探测器，自主导航是必不可少的支柱。在此框架中，视线 (LoS) 导航是深空巡航期间状态估计的宝贵选择。视线导航是一种光学技术，基于对可见天体（例如行星）的观测，这些天体的星历表是众所周知的。这些天体的方向是通过机载光学仪器（照相机或星跟踪器）获得的，并在导航滤波器中将其与机载存储的星历表检索到的实际位置进行比较。在机载上执行完整估计程序的可能性使该技术成为自主深空立方体卫星的有效候选者。导航精度尤其取决于两个特性：观测几何和视线方向提取精度 [1]。第一个取决于任务场景，它定义了可见物体及其相对几何形状。第二个取决于成像硬件、图像处理算法以及任务几何形状。尽管可以稍微调整任务以在有利的观测几何窗口期间发生 [2]，但通常它不够灵活，无法提高估计精度。因此，LoS 方向提取精度在整体导航性能中起着至关重要的作用。在此背景下，这项工作旨在正确生成合成星跟踪器图像，然后用于测试设计的 LoS 提取算法的性能。合成图像的生成取决于成像传感器和镜头的特性。对于星跟踪器，假设使用针孔相机模型。Hipparcos-2 目录用于检索可见恒星的方向，这些方向在传感器参考系中转换。恒星的视星等转换为传感器阵列上读取的光电子数量。此转换取决于传感器的特性（像素大小、填充因子、量子效率）、镜头直径和曝光时间。为了在恒星质心算法中达到亚像素精度，入射光被故意弄模糊，因此信息分散在不同的像素上。这是用高斯分布模拟的。行星的模拟不那么简单，因为形状和视星等都取决于观测几何。为了正确
液氦温度下 PACS/Hershel 传感器前端电子设备的飞行鉴定和电路开发
摘要 在欧洲航天局赫歇尔空间天文台 (HSO) 的开发框架下，IMEC 设计了用于 PACS 仪器的冷读出电子器件 (CRE)。该电路的主要规格是高线性度、低功耗、高均匀性和工作温度为 4.2K（液氦温度，LHT）时的极低噪声。为了确保高产量和均匀性、相对容易的技术可用性以及设计的可移植性，该电路采用标准 CMOS 技术实现。电路在室温下可正常工作，这允许在集成和鉴定之前进行筛选，并且对生产产量和时间有重要影响。该电路安装在 Al 2 O 3 基板上以获得最佳电气性能。在同一基板上，集成了偏置信号生成、短路保护电路和电源线的去耦电容器。这导致基板相对复杂，包含 30 多个无源元件和一个芯片，通过导电和非导电胶以及近 80 个引线键合进行集成。因为探测器阵列在发射前要冷却到 4.2K，所以必须证明安装的基板在这种温度和恶劣环境下的可靠性和发射生存力。为此，在基板安装期间要验证每个组装步骤的质量和相关可靠性。这包括验证粘合材料的兼容性、优化粘合产量以及设备的温度循环（室温和 LHT 之间）。对鉴定模型的其他测试将侧重于质子和伽马射线辐照下的电路功能、低温振动测试以证明发射生存力，以及详尽的温度循环以鉴定组装程序。本文中，我们介绍了所开发电路的完整集成和鉴定，包括飞行模型生产过程中的组装和验证以及在鉴定模型上组装方法的鉴定。关键词 低温、远红外、LHT、鉴定、读出电子电路、系统集成。一、简介 光电导体阵列照相机和光谱仪 (PACS) [1,2] 是赫歇尔空间天文台 (HSO，原名 FIRST) [3] 上的三台科学仪器之一，赫歇尔空间天文台是欧空局“地平线 2000”计划中的第四个基石任务 [4]。PACS 使用两个 Ge:Ga 光电导体阵列 (25 x 16 像素)，同时对 60 至 210 µm 波段进行成像。光电探测器
新加坡科学家开发出人工智能系统来......
研究报告合著者、新加坡国立卫生研究院国家医疗集团 (NHG) 眼科研究所青光眼服务部门负责人 Leonard Yip 博士表示：“社区中许多青光眼患者仍未得到诊断，而在印度这样的发展中国家，未确诊病例的比例可能远远超过 90%。虽然病例通常是在常规眼科检查中发现的，但由于需要专业且昂贵的设备或训练有素的专家，因此基于人群的筛查具有挑战性。手动检查单个视网膜图像的过程也很耗时，并且取决于专家的主观评估。相比之下，我们使用人工智能的方法可能更高效、更经济。” 研究报告的主要作者、南洋理工大学电气与电子工程学院副教授王丽坡表示：“通过结合机器学习技术，我们的团队开发了一种筛查模型，可以从眼底图像诊断青光眼，从而无需眼科医生进行各种临床测量（如眼内压）即可进行诊断。我们强大的自动青光眼诊断方法易于使用，这意味着任何医疗从业者都可以使用该系统来帮助进行青光眼筛查。这将特别有助于眼科医生较少的地区。” 该团队目前正在 TTSH 拍摄的更大的患者眼底图像数据集上测试他们的算法。他们还在研究如何将该软件移植到手机应用程序上，这样当与眼底照相机或手机镜头适配器结合使用时，它就可以成为现场可行的青光眼筛查工具。 工作原理 NTU 和 TTSH 团队开发的自动青光眼诊断系统使用一组算法来分析由两个相机从不同视角成对拍摄的立体眼底图像（见图 1）。这些 2D 的“左”和“右”眼底图像组合在一起时有助于形成 3D 视图。科学家说，使用两张图像可以确保如果一张图像质量较差，另一张图像通常可以补偿，系统可以保持其准确的性能。这套算法由两个部分组成：深度卷积神经网络和注意力引导网络。前者模仿人类大脑适应学习新事物的生物过程，而注意力引导网络模仿大脑选择性关注一些相关特征的方式——在本例中，是眼底图像中的视神经头区域（见图 2）。然后将这两个组件的输出融合在一起以生成最终的预测结果。
使用人工智能诊断糖尿病视网膜病变
自 2018 年以来（4、5）。该系统名为 IDx-DR，在视网膜照相机 (Topcon NW400) 上运行，并利用 AI 算法分析眼睛图像 (6)。系统的输出是建议，当系统识别出超过轻度 DR 时，将患者转诊给眼科保健专业人员，或建议 12 个月后重新筛查。因此，它是第一款提供自主筛查决策的设备，已获得美国食品药品监督管理局 (FDA) 的市场批准 (5)。出于伦理考虑，这种 AI 辅助设备的一个新颖而独特的功能需要进行严格评估：IDx-DR 有意生成自主建议，这实际上是诊断，无需医生监督，尽管医生通常负责诊断。由于该设备已经投入商业使用，因此迫切需要澄清知情同意的伦理问题。迄今为止，“告诉患者什么”是根据美国和欧盟的法律分析进行讨论的（7-9）。但是，对于用于诊断 DR 的新设备，尚未对“如果 AI 参与诊断，信息处理中应包括哪些信息”这一伦理问题提供具体答案。伦理挑战源于黑盒算法的不透明性、训练数据中的潜在偏差、改善医疗保健与创造利润之间的紧张关系以及出现性能错误时的责任（10）。这些措施旨在改进信息处理并培养患者对 AI 系统的信任。为了缓解这些伦理挑战，有人尝试性地提议对医生进行有关人工智能系统的构建、其训练数据和局限性的教育，并制定超越法律要求的伦理准则 ( 11 )。然而，目前仍不清楚在初级保健环境中使用人工智能系统诊断 DR 的信息过程中应包括哪些具体信息。虽然评论者质疑是否必须从法律角度披露诊断人工智能的参与 ( 7 )，但本文作者认为，忽略这一事实是不道德的，因为这可能构成一种欺骗行为。本文的目的是制定一份清单，以在伦理上保障知情同意过程。我们以 IDx-DR 系统为例，介绍其他可用于诊断 DR 的商业化 AI 辅助工具，例如 2020 年 6 月获得 FDA 批准的 EyeArt（12 – 14）。
激光直接成型作为传统光刻技术的创新替代方案S03-3
激光直接成型作为传统光刻的创新替代方案 Eddy Roelants 西门子 Dematic 根特，比利时 摘要：高速精确的激光束偏转、印刷电路板 (PCB) 湿化学工艺的专业知识、PCB 激光直接成型 (LS) 的 CAD/CAM 实施以及机器开发和构造专业知识相结合，产生了一种具有专用系统的完整激光技术（图 1），为高密度互连 (HDI) 技术的制造提供了一种创新的替代方案。LS 工艺可以轻松集成到标准 PCB 生产线中，这已在欧洲 PCB 制造工厂得到验证。LS 工艺使用薄浸锡 (Sn) 作为抗蚀剂，通过聚焦激光束烧蚀。激光束勾勒出电路轨道和焊盘的轮廓。激光束的移动由高速控制器根据电子 CAD 布局数据控制。这样无需洁净室设施即可实现 50 µm 线间距甚至更小的线结构，并获得可接受的良率 (>70-80%) 和可接受的加工时间。此外，该系统具有高度灵活的模块化结构；配备 532 nm（绿色）或 355 nm 波长激光的系统设置证明它是一种出色的结构化和 µ 通孔钻孔系统，不仅从质量而且从性能的角度来看都是如此。简介目前，即使对于 HDI 板，对于大多数 PCB 制造商来说，100 - 75 µm 线间距技术也是标准配置。要低于这个假想的线间距宽度，需要付出巨大的努力和投资。这是由于需要洁净室（2500 欧元/平方米）和/或需要玻璃母版技术（这反过来会影响面板尺寸 - 从而影响产量）。除此之外，实现可接受的良率是另一个关键问题。下一代电子设备可能需要高密度，但仅针对一两个元件，同时保持 90% 以上的 PCB 面积采用传统的 100 µm 间距线技术。GSM、照相机、寻呼机等中使用的芯片尺寸封装 (CSP) 要求 PCB 制造工艺进行调整和创新，从而降低公差并实现更精细的线/间距。在这里，使用激光结构化变得合理：使用激光技术在标准 PCB 生产线中局部添加精细结构（作为纯插入式工艺）。这就是所谓的 PHD 工艺（部分高密度）。对于 BGA/CSP 或 MCM 基板等小尺寸基板，可以在激光光学器件的场尺寸范围内对整个区域进行激光结构化。