XiaoMi-AI文件搜索系统
World File Search System阴影
纯状态的样本最佳经典阴影
需要多少个未知状态的副本才能构建对国家的经典描述？这个问题的答案将取决于几个细节：什么构成准确的描述；关于国家已经知道的知识；以及对国家测量的限制。鉴于这个问题的基本重要性，在界定在各种情况下执行此学习任务所需的国家样本的数量进行了重要的事先工作。最著名的环境称为量子状态层析成像，其目标是对状态进行足够的学习，以便能够完全重建它 - 首先，估计未知的d维量子态在Schatten 1 -Norm中的准确性ϵ。对于此任务所需的副本数量的紧密上限和下限是已知的：使用独立的测量[1] [1]和〜θ（ϵ -2 d 2 2），需要状态的〜θ（ϵ -2 d 3）副本。
纳米电子的低成本阴影面具制造
摘要：我们提出了两种用于制造阴影面罩的方法，以将电极蒸发到纳米材料上。在第一个中，我们将商业纤维激光雕刻系统的使用与容易获得的铝箔结合在一起。此方法适用于制造50 µm线宽度和最小特征分离为20 µm的阴影面具，并且使用它来创建具有复杂图案的口罩非常简单。在第二种方法中，我们使用市售的乙烯基切割机对乙烯基模具面膜进行图案，然后使用玻璃纤维来定义电极之间的分离。使用这种方法，我们实现了分隔15 µm的良好的固定电极，但是与基于激光的电极相比，该技术在创建复杂的掩码方面的用途较小。我们通过基于MOS 2制造场效应晶体管设备来证明这些技术的潜力。我们的方法是一种具有高分辨率和准确性的阴影面膜的经济高效且易于访问的方法，使其可用于更广泛的实验室。
阴影估计的闭式解析表达式...
量子系统的性质可以使用经典阴影来估计，经典阴影基于单元的随机集合实现测量。最初是为全局 Clifford 单元和单量子比特 Clifford 门的乘积而推导的，实际实现仅限于中等数量量子比特的后一种方案。除了局部门之外，使用两个局部门的非常短的随机电路的精确实现在实验上仍然是可行的，因此对于在近期应用中实现测量很有意思。在这项工作中，我们推导出使用带有两层并行双局部 Haar 随机（或 Clifford）单元的砖砌电路的阴影估计的闭式解析表达式。除了构建经典阴影之外，我们的结果还为估计 Pauli 可观测量提供了样本复杂度保证。然后，我们将使用砖砌电路的阴影估计性能与使用局部 Clifford 单元的既定方法进行比较，发现在足够多的量子比特上支持的可观测量估计中样本复杂度有所提高。
从高处的阴影中检索建筑物形状...
摘要 — 不连续的物体（例如建筑物）会在 SAR 图像中产生阴影。阴影是显著的特征，对图像理解大有帮助。由于城市地区建筑物密度高，阴影覆盖了图像的很大一部分，并为构建城市地图提供了重要提示。阴影的一个直接用途是根据阴影尺寸确定建筑物高度。我们在此提出另一种方法，当有高分辨率干涉图时，利用阴影来帮助检测建筑物本身。从具有非常高清晰度的振幅图像和相应的干涉图开始，我们将建筑物检测问题建模为能量最小化，其中考虑了建筑物与其阴影之间的相互作用。尽管噪声水平很高，但该方法可以获得出色的检测结果，尤其是对于高大或孤立的建筑物。
对雷达对象检测的对抗性阴影攻击
摘要 - 对象检测是一个关键函数，可从传感器获取的数据中检测对象的位置和类型。在自主驾驶系统中，使用来自摄像机和激光镜头的数据进行对象检测，并根据结果，控制车辆以遵循最安全的路线。但是，据报道，基于机器学习的对象检测具有对对抗样本的脆弱性。在这项研究中，我们提出了一种新的攻击方法，称为LIDAR对象检测模型“ Shadow Hack”。虽然先前的攻击方法主要添加了扰动点云到激光雷达数据中，但在这项研究中，我们引入了一种在激光雷达点云上生成“对抗阴影”的方法。特别是，攻击者从战略上放置了诸如铝制休闲垫之类的材料，以在激光雷达点云上重现优化的位置和阴影的形状。该技术可能会在自动驾驶汽车中误导基于激光雷达的对象检测，从而导致诸如制动和避免操纵之类的行动导致交通拥堵和事故。我们使用仿真来重现Shadow Hack攻击方法，并评估攻击的成功率。此外，通过揭示攻击成功的条件，我们旨在提出对策并有助于增强自动驾驶系统的鲁棒性。
分类的变分阴影量子学习
量子数据的分类对于量子学习和近期量子技术至关重要。在本文中，我们提出了一个用于监督量子学习的新的混合量子古典框架，我们称之为变分阴影量子学习（VSQL）。我们在特定的方法中利用了量子数据的经典阴影，这些阴影可以根据某些物理可观察到的量子数据的侧面信息来表达量子数据。特别是，我们首先使用各种阴影量子电路以卷积方式提取classial特征，然后利用完全连接的神经网络来完成分类任务。我们表明，这种方法可以大大减少参数的数量，从而更好地促进量子电路训练。同时，由于在这样的阴影电路中使用了较少的量子门，因此噪音将更少。更重要的是，我们证明了贫瘠的高原问题，这是量子机器学习中一个显着的消失问题，可以在VSQL中避免。最后，我们通过数值实验对量子态的分类和识别多标记的手写数字的识别来证明VSQL在量子分类中的效率。尤其是，在手写数字识别的二进制案例中，我们的VSQL AP-在测试准确性中优于现有的变异量子分类器，并且值得注意的是，较少的参数所需的参数。
对雷达对象检测的对抗性阴影攻击
近年来，自动驾驶汽车发动机传感器攻击的风险引起了人们的显着关注。这些攻击操纵传感器读数，对基于机器学习模型的对象识别系统构成威胁。非常关注的是“ LiDAR SPOOFENG攻击”，它向欺骗传感器注入恶意信号以检测非易于或缺失的对象[1，2]。这些攻击目标传感器，数据处理和机器学习模型，强调了增强传感器安全性并增强模型鲁棒性的要求。本研究提出了一个新的使用LIDAR的传感系统的攻击矢量，以“ Shadow Hack”，目的是应对其威胁并开发有效的对策。此攻击的概念在于利用激光雷达传感器捕获的点云数据中自然形成的“阴影”（见图1）。LIDAR传感器产生指示对象存在的点云数据，但该数据还包括对象后面形成的阴影。通常，这些阴影在对象检测模型的输出中被忽略，但是它们的存在为对象检测提供了重要的线索。影子黑客通过故意创建它们来欺骗对象检测系统并导致它们出现故障来利用“阴影”的属性。例如，通过放置“阴影材料”，例如在环境中，可以在激光雷达传感器捕获的点云数据中创建误差阴影，从而导致对象检测模型检测不存在的对象（请参见图2）。
使用...在非常高分辨率的卫星数据中映射阴影
摘要 IKONOS 等多光谱扫描仪 (MSS) 具有非常高的空间分辨率，因此可提供有关陆地特征的极佳信息来源。这些扫描仪的图像可能包含阴影，这会导致辐射信息部分或全部丢失，从而导致误解或分类不准确。此外，阴影的识别对于多种应用都至关重要。本研究的目标是开发基于计算机的算法来检测 IKONOS 全色 (1× 1 m) 和 MSS 波段 (4×4 m) 中的阴影。我们将纽约市的 IKONOS 全色和 MSS 图像子集转换为 HSV 颜色空间，并使用直方图分析确定强度阈值。划定潜在的阳光照射和阴影区域，并采用边缘检测技术消除非阴影、低强度区域并识别图像子集上的阴影区域。我们在一系列时间数据集上测试了结果，以开发一个能够检测阴影并从高分辨率卫星图像中提取阴影的强大模型。
虚拟现实作为通过数字阴影监控增材制造过程的工具
我们提出了一种数据采集和可视化流程，使专家能够在沉浸式虚拟现实中监控增材制造过程，特别是激光金属线沉积 (LMD-w) 过程。我们的虚拟环境由 LMD-w 生产现场的数字阴影组成，并丰富了静态和手持虚拟显示器上显示的额外测量数据。用户可以通过增强的传送功能探索生产现场，这些功能使他们能够改变其比例以及距地面的高度。在一项有 22 名参与者的探索性用户研究中，我们证明我们的系统通常适用于监督 LMD-w 过程，同时产生较低的任务负荷和网络晕动症。因此，它是向成功应用虚拟现实技术在相对年轻的增材制造领域迈出的第一步。