XiaoMi-AI文件搜索系统
World File Search System补全
关于脑电图张量补全方法的鲁棒性
1 南开大学人工智能学院，天津 300350，中国；2 斯科尔科沃科学技术学院，莫斯科 121205，俄罗斯；3 杭州电子科技大学计算机学院，杭州 310018，中国；4 哥白尼大学信息学系，托伦 87-100，波兰；5 波兰科学院系统研究所，华沙 01-447，波兰；6 南开大学计算机学院，天津 300350，中国；7 阿根廷射电天文学研究所 IAR-CCT 拉普拉塔，CONICET / CIC-PBA / UNLP，Villa Elisa 1894，阿根廷；8 日本理化学研究所信息系统与网络安全总部计算工程应用部，和光市 351-0106，日本； 9 英国剑桥大学精神病学系，剑桥 CB2 8AH；10 西班牙加泰罗尼亚维多利亚中央大学数据与信号处理研究组，加泰罗尼亚 08500
PC-RGNN：用于 3D 物体检测的点云补全和图神经网络
基于 LiDAR 的 3D 物体检测是自动驾驶的一项重要任务，当前的方法受到远处和遮挡物体的稀疏和部分点云的影响。在本文中，我们提出了一种新颖的两阶段方法，即 PC-RGNN，通过两个特定的解决方案来应对此类挑战。一方面，我们引入了一个点云完成模块来恢复密集点和整个视图的高质量提案，同时保留原始结构。另一方面，设计了一个图神经网络模块，该模块通过局部-全局注意机制以及基于多尺度图的上下文聚合全面捕捉点之间的关系，大大增强了编码特征。在 KITTI 基准上进行的大量实验表明，所提出的方法比以前最先进的基线方法有显著的进步，凸显了其有效性。
矩阵补全的更简单方法
本文给出了迄今为止重建未知低秩矩阵所需的随机采样条目数的最佳界限。这些结果改进了 Cand`es 和 Recht (2009)、Cand`es 和 Tao (2009) 以及 Keshavan 等人 (2009) 的先前工作。重建是通过最小化隐藏矩阵的核范数或奇异值之和来实现的，前提是与提供的条目一致。如果底层矩阵满足某种不相干条件，则所需的条目数等于二次对数因子乘以奇异值分解中的参数数。这一断言的证明很短、自成体系，并使用非常基本的分析。本文中的新技术基于量子信息理论的最新研究。关键词：矩阵完成、低秩矩阵、凸优化、核范数最小化、随机矩阵、算子切尔诺夫界限、压缩感知