XiaoMi-AI文件搜索系统
World File Search System角误差
学习颜色恒定：30年后
摘要第一篇论文调查了使用机器学习来学习场景图像与场景颜色之间的关系，Funt等人发表了。在1996年。具体来说，他们研究了神经网络是否可以学习这种关系。在过去的30年中，我们见证了机器学习方面的一系列出色的进步，尤其是基于人工神经网络的深度学习方法。在本文中，我们想通过Funt等人更新该方法。包括最新的技术来培训深层神经网络。标准数据集的实验结果表明，更新版本如何将照明估计中的角误差提高几乎51％，而其原始配方，甚至胜过最近的照明估计方法。
基于曲率以提高自动驾驶汽车的高速驾驶稳定性...
本研究提出了一种基于进料前向（预览距离控制）和反馈（LQR，线性二次调节器）控制器的路径跟踪算法，以减少标题角误差和预定义路径和自主车辆之间的横向距离误差。路径跟踪的主要目标是生成控制命令以遵循预定义的路径。通过控制车辆的转向角而导致的轨迹误差和横向距离误差来求解馈线误差和横向距离误差。使用LQR来减少由环境和外部干扰引起的误差。通过使用CARLA模拟器模拟自动驾驶汽车的驾驶环境来验证所提出的算法。使用测试工具证明了安全性和舒适性。这项研究还表明，所提出的算法的跟踪性能超过了其他路径跟踪算法的跟踪性能，例如纯Pursuit和Stanley方法。
scipad：将空间线索纳入无监督的姿势深入关节学习
摘要 - 不监督的单眼深度估计框架 - 作品显示出有希望的自主驱动性能。但是，现有的解决方案主要依靠一个简单的召集神经网络来进行自我恢复，该网络努力在动态，复杂的现实世界情景下估算精确的相机姿势。这些不准确的相机姿势不可避免地会恶化光度重建，并误导了错误的监督信号的深度估计网络。在本文中，我们介绍了Scipad，这是一种新颖的方法，它结合了无监督的深度置式联合学习的空间线索。具体来说，提出了一种置信度特征流估计器来获取2D特征位置翻译及其相关的置信度。同时，我们引入了一个位置线索聚合器，该位置线索聚合器集成了pseudo 3D点云中的depthnet和2D特征流入均匀的位置表示。最后，提出了一个分层位置嵌入喷油器，以选择性地将空间线索注入到鲁棒摄像机姿势解码的语义特征中。广泛的实验和分析证明了与其他最新方法相比，我们的模型的出色性能。非常明显的是，Scipad的平均翻译误差降低了22.2％，而Kitti Odometry数据集的相机姿势估计任务的平均角误差为34.8％。我们的源代码可在mias.group/scipad上找到。