XiaoMi-AI文件搜索系统
World File Search System第三人称
![arxiv：2502.14892v1 [cs.cv] 2025年2月17日](/simg/g:\will\search\icon\source\b\b495d4ee9dd26d76c8dad02913bbd55ecbbe1439.webp)
arxiv：2502.14892v1 [cs.cv] 2025年2月17日
应开始基于以自我为中心的流媒体视频讲话。具体地，EgoSeak从摄像头佩戴者的第一人称角度进行了演讲启动，从而准确捕获了代理商实时看到的每一刻。与第三人称或固定的摄像机视图不同，以自我为中心的观点尤其与现实世界中的代理人（例如社交机器人）尤其相关，这些机器人必须决定是否说话或保持沉默。通过利用摄像头佩戴者的直接视野（例如，面对另一个人，注意到肢体语言或凝视方向），Egospeak可以更自然地检测出微妙的线索，这些线索可以发出适当的时刻开始讲话。这对于不仅必须实时处理输入，而且在动态，多演讲者的环境中自主响应以使其显然和引人入胜的现实剂量至关重要。
性别歧视 AI：一项融合 CASA 与 ELM 的实验
摘要 本研究通过实验测试参与者对人工智能 (AI) 招聘人员的看法。它使用 2（专业 AI/通才 AI）× 2（性别歧视/非性别歧视）设计来测试这些标签与道德违规感知之间的关系。理论框架是计算机是社会行为者 (CASA) 和精细化可能性模型 (ELM) 方法的整合。参与者 (n = 233) 在阅读了四种涉及 AI 招聘人员评估求职者的场景之一后回答了一份在线问卷。结果发现，CASA 中的“心不在焉”概念是情境化的，取决于问题是通过中心路线还是外围路线处理的。此外，这项研究表明，CASA 可以用第三人称视角解释对机器的评估。此外，对 AI 的感知与其决策之间存在区别。此外，研究发现，与人工智能代理的专家身份相比，参与者对人工智能代理的性别歧视更为敏感，因为性别歧视更加拟人化、更具情感吸引力。
通过深度学习实现远程控制 - NSF PAR
摘要 — 人类遥控 (RC) 飞行员能够仅使用第三人称视角视觉感知来感知飞机的位置和方向。虽然新手飞行员在学习控制遥控飞机时经常会遇到困难，但他们可以相对轻松地感知飞机的方向。在本文中，我们假设并证明深度学习方法可用于模仿人类从单目图像感知飞机方向的能力。这项工作使用神经网络直接感知飞机姿态。该网络与更传统的图像处理方法相结合，用于飞机的视觉跟踪。来自卷积神经网络 (CNN) 的飞机轨迹和姿态测量值与粒子滤波器相结合，可提供飞机的完整状态估计。介绍了网络拓扑、训练和测试结果以及滤波器开发和结果。在模拟和硬件飞行演示中测试了所提出的方法。
校本评估范例
实践工作是科学学科的共同要素。通过实验，学生可以培养实验技能和技术，例如操作仪器、执行测试或程序、确定要改变或控制的变量、进行观察和测量以及制表数据。此外，在数据处理过程中，学生可以绘制图表、进行计算、寻找模式和趋势、分析和解释观察到的数据、得出结论并将其与科学知识、原理和理论联系起来。进行实验有助于学生了解现象，例如当他们将观察到的具体证据与更抽象的想法或理论联系起来时。每个实验不应该花费超过两节课的时间来完成。实验可以分组进行，理想情况下不超过四名学生。每个小组的学生应该收集和解释自己的数据，但每个学生必须提交自己的报告。以下信息显示了实验报告中应包括的部分和相应的注释。撰写实验报告时应使用第三人称过去时。
什么是人工智能？- 中心工作人员指南
中心应该注意的潜在指标摘要：指标默认/不一致地使用美式拼写、货币、术语和其他本地化内容默认使用可能不适合资格水平的语言或词汇*缺少直接引用和/或使用需要/期望的参考文献~包含无法找到或验证的参考文献缺少对某个日期之后发生的事件的参考文献不正确/不一致地使用第一人称和第三人称视角的情况语言风格、质量和复杂性存在差异缺少通常需要的图表/数据表/视觉辅助工具缺乏特定的本地或主题知识学习者无意中包含人工智能制作的警告或附文在整个文本中不寻常地使用几个结论性陈述，或在一篇冗长的文章中多次重复一个总体文章结构在其他有凝聚力的内容中包含强烈陈述的非连续性或肯定错误的陈述过于冗长或夸张的语言可能不符合学习者的风格 文本主体/标题/等的格式不一致（请注意，这些内容与我们的 Navigating AI for Assessment: VQ Guidance (International & Higher Education) 文档共享）
4DIFF：第三到第一个观点的3D引用扩散模型...
摘要。我们提出了4DIFF，这是一个解决Exo-to-ego视图转换任务的3D引起的扩散模型 - 从相应的第三人称（Exentric）图像中生成第一人称（Ego-go-Imentric）查看图像。建立扩散模型生成光地式图像的能力，我们提出了一个基于变压器的扩散模型，该模型通过两种机制对几何学进行了评分：（i）Egocentric Point Cloud Rasterization和（II）3D意识到的旋转旋转交叉注意。以中心的点云栅格化将输入外向图像转换为以自我为中心的布局，后者随后被扩散图像变压器使用。作为扩散变压器的DeNoiser块的组成部分，3D感知的旋转跨注意事件进一步结合了从源exentric视图中的3D信息和半出现特征。我们的4DIFF在挑战性和多样化的自我exo4d多视图数据集上实现了状态的结果，并展示了对训练期间未遇到的新型环境的强大概括。我们的代码，处理过的数据和预处理的模型可在https://klauscc.github.io/4diff上公开获取。
有用的Doggybot：使用腿部机器人和视觉模型
摘要 - 基于学习的方法已经实现了四足动力的强大性能。然而，一些挑战阻止了四足动物学习需要与环境和人类互动的有用室内技能：缺乏操纵的最终效果，仅使用模拟数据使用有限的语义介绍，以及在室内环境中的较低的遍历性和可及性。我们提出了一个在室内环境中进行四足动物移动操作的系统。它使用前式握把进行对象操纵，这是一种低级控制器，在模拟中培训了以egile的深度进行训练，以攀登和全身倾斜等敏捷技能，以及预先训练的视觉语言模型（VLMS），并具有第三人称Fisheye和Egentric RGB摄像头，以探索fishereye和Egincentric RGB摄像头，以进行儿子理解和指挥生成。我们在两个看不见的环境中评估了我们的系统，而没有任何现实数据收集或培训。我们的系统可以零射对这些环境并完成任务，例如遵循用户的命令在攀登女王大小的床上，成功率为60％。
矩阵：实时移动控制
我们介绍了矩阵，这是第一个基础现实的世界模拟器，能够在第一和第三人称视角以实时的，重新控制的方式生成无限长的720p高富达现实现场视频流，从而实现了丰富动态环境的沉浸式探索。Trained on limited supervised data from AAA games like Forza Horizon 5 and Cyberpunk 2077, complemented by large-scale unsupervised footage from real-world set- tings like Tokyo streets, The Matrix allows users to tra- verse diverse terrains—deserts, grasslands, water bodies, and urban landscapes—in continuous, uncut hour-long se- quences.以高达16 fps的速度，该系统支持实时交互性，并演示了零拍的通用性，将虚拟游戏环境转换为现实世界上下文，在这些环境中，收集连续移动数据的数据是不可行的。例如，矩阵可以模拟通过办公室设置驱动的宝马X3，这是游戏数据和现实世界中的一个环境。这种方法展示了AAA游戏数据对强大的世界模型的潜力，在具有Lim esed数据的情况下弥合了模拟和现实世界应用程序之间的差距。本文中的所有代码，数据和模型检查点都将被开源。
使用深度学习神经网络进行手势识别...
图 3.1：手势识别图 ................................................................................................................ 45 图 3.2：ZTM 手套。................................................................................................................. 46 图 3.3：带有多个传感器的 MIT Acceleglove。...................................................................................... 47 图 3.4：CyberGlove III .................................................................................................................... 48 图 3.5：CyberGlove II。.................................................................................................................... 48 图 3.6：5DT 动作捕捉手套和 Sensor Glove Ultra。左：当前版本，右：旧版本。[73][74].................................................................................................................................. 49 图 3.7：X-IST 数据手套 ................................................................................................................ 50 图 3.8：P5 手套。................................................................................................................................. 50 图 3.9：典型的基于计算机视觉的手势识别方法 ............................................................. 51 图 3.10：手势识别中使用的相机类型 ............................................................................. 52 图 3.11：立体相机。................................................................................................................. 52 图 3.12：深度感知相机 ............................................................................................................. 53 图 3.13：热像仪 ................................................................................................................ 53 图 3.14：基于控制器的手势 ................................................................................................ 54 图 3.15：单个相机。................................................................................................................ 54 图 3.16：布鲁内尔大学 3DVJVANT 项目的全息 3D 相机原型。 ........... 55 图 3.17：3D 集成成像相机 PL：定焦镜头，MLA：微透镜阵列，RL：中继透镜。... 55 图 3.18：方形光圈 2 型相机与佳能 5.6k 传感器集成。................................ 56 图 5.1：不同的手势。................................................................................................ 70 图 5.2：系统实施框架说明。.............................................................................. 71 图 5.3：使用 WT 的 10 种不同运动的 IMF。.............................................................................. 75 图 5.4：使用 EMD 的 10 种不同运动的 IMF。......................................................................... 76 图 5.5：WT 中 10 个不同类别的 ROC。................................................................................ 79 图 5.6：EMD 中 10 个不同类别的 ROC。........................................................................... 80 图 5.7：研究中使用的手势。................................................................................ 84 图 5.8：实施框架。................................................................................................ 84 图 5.9：使用 WT 的 10 种不同运动的 IMF。................................................................................ 87 图 5.10：使用 EMD 的 10 种不同运动的 IMF。................................................................................ 89 图 5.11：WT 中 10 个不同类别的 ROC。................................................................................ 91 图 5.12：EMD 中 10 个不同类别的 ROC。................................................................................ 92 图 6.1：拔牙前第一人称短距离手部动作 ........................................................................ 97 图 6.2：拔牙后第一人称短距离手部动作 ........................................................................ 99 图 6.3：拔牙后第一人称短距离手部动作 ........................................................................ 100 图 6.4：拔牙前第二人称短距离手部动作 ........................................................................ 101 图 6.5：拔牙后第二人称短距离单次手部动作（LCR） ............................................................................................................................. 103 图 6.6：拔牙后第二人称短距离组合手部动作（LCR） ............................................................................................................................................. 105 图 6.7：拔牙前第三人称短距离手部动作 ............................................................................................................................. 105 图 6.8：拔牙后第三人称短距离单次手部动作（LCR） ............................................................................................................................................................. 107
人类互动中的意图预测
人类推断他人意图的能力是天生的，对发展至关重要。机器应该获得与人类无缝互动的能力。我们提出了一个用于预测人类相互作用中参与者意图的代理模型。这需要在任何时候同时产生和认可互动，因为端到端模型很少。提出的代理通过一系列瞥见积极采样其环境。在每次采样时，模型会渗透观察类，并完成部分观察到的身体运动。它通过共同最大程度地减少分类和产生误差来了解身体位置的顺序以样品。模型在两个设置下的两孔相互作用的视频中进行了评估：（第一人称）一个骨架是建模的代理，另一个骨架的关节运动构成了视觉观察，并且（第三人称）是建模的代理，而两个相互作用的骨骼运动的关节运动构成了它的观察。使用基准数据集对实施注意机制的三种方法进行分析。其中一个是由感官预测误差驱动的，在两种情况下，通过对骨骼关节的50％进行采样，在两种情况下都达到了最高的分类精度，而在模型大小方面也是最有效的。这是从两人相互作用中学习意图预测的第一个已知的基于注意力的代理，其精度和效率很高。关键字：代理，意图预测，互动识别和产生，注意力，感知，本体感受。