开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何将观察流定位到有限的数据集？

将观察流定位到有限的数据集可以通过以下几种方法实现：

数据过滤：通过设置过滤条件，只选择符合特定要求的数据进行观察和分析。例如，可以根据时间范围、地理位置、特定属性等条件对数据进行过滤，从而将观察流限定在特定的数据集上。
数据采样：对于大规模数据集，可以采用抽样的方式选择一部分数据进行观察。抽样可以是随机的，也可以根据特定的规则进行选择。通过合理的采样方法，可以在保证数据代表性的前提下，减少观察流所需处理的数据量。
数据聚合：将大规模数据集按照一定的规则进行聚合，得到更小规模的数据集。聚合可以基于时间、空间、属性等维度进行，将原始数据集合并为更高层次的数据表示。通过数据聚合，可以将观察流定位到更有意义和可解释的数据集上。
数据预处理：对原始数据进行预处理，提取出感兴趣的特征或属性，从而将观察流定位到与特定问题相关的数据集上。预处理可以包括数据清洗、特征提取、降维等步骤，以便更好地理解和分析数据。
数据索引：通过建立索引结构，对数据进行组织和管理，以便快速定位到感兴趣的数据集。索引可以基于属性、关键字等进行构建，提高数据检索的效率和准确性。通过合理的索引设计，可以将观察流定位到特定的数据集上，加快数据处理和分析的速度。

总结起来，将观察流定位到有限的数据集可以通过数据过滤、数据采样、数据聚合、数据预处理和数据索引等方法实现。根据具体的需求和场景，选择合适的方法可以提高数据处理和分析的效率，并得到更有意义的结果。

腾讯云相关产品和产品介绍链接地址：

数据过滤：腾讯云数据湖分析 DLA（https://cloud.tencent.com/product/dla）
数据采样：腾讯云数据万象 CI（https://cloud.tencent.com/product/ci）
数据聚合：腾讯云数据仓库 DWS（https://cloud.tencent.com/product/dws）
数据预处理：腾讯云数据处理 DCP（https://cloud.tencent.com/product/dcp）
数据索引：腾讯云文档数据库 TDSQL（https://cloud.tencent.com/product/tdsql）

相关搜索:如何将定位器约束到有限(但不常规)的位置？如何将流数据集写入Cassandra？如何测试可观察到的流？将建模数据集的分布与观察到的数据集的分布进行匹配？RxJs -无法解析可观察到的流 NGRX / RXJS:如何将可观察到的流递归映射到单个平坦流中有限数据集上的Keen.io计算 angular2 -可观察到的不是流？如何从头到尾跟踪有限的数据流？如何将数据集属性传递到后端如何筛选流颤动中可观察到的列表通过OracleDataReader执行SQL查询总是返回有限的数据集。如何将文本定位到SurfaceCheckBox的左侧？如何将图片定位到不同的位置如何将(sklearn)数据集的数据导入到plotly中？如何将Promises数组转换为(可观察对象的)流？如果调用postponeEnterTransition，则永远不会观察到流的"asLiveData()“只有一个值可观察到的流抖动如果某些可观察到的抛出异常，如何继续流？如何比较可观察流中的动作数据？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

谷歌教机器人理解语义，像人一样学习复杂技能 | 附3篇论文

李林编译自 Google Research Blog 量子位出品 | 公众号 QbitAI 机器人可以通过机器学习获得复杂的技能，如抓取物体、开门等。然而，学习这些技能需要我们先人工设置奖励函数，机器人随后再对它进行优化。而人类，只通过观察别人的做法或者听别人讲，就能理解任务的目标。这依靠的是我们自己先前对世界的了解：看到有人切苹果，我们就会知道目标是“制造两块苹果”，与苹果是什么品种、用什么样的刀无关；如果有人告诉我们拿起苹果，我们就知道要抓住的对象是哪一个，因为我们知道在所处环境中“苹果”这个词

09

业界 | 让机器人学会理解语义概念：谷歌提出深度视觉新技术

选自Google Research Blog 作者：Sergey Levine 机器之心编译参与：黄小天、路雪近日，谷歌官方博客上发表了一篇题为《Teaching Robots to Understand Semantic Concepts》的文章，探讨了在机器人学习（robotic learning）方面的一些最新进展。机器人学习是指通过机器人自动收集的数据（量很大，但是缺乏标签）与人类的标注数据结合起来从而允许其理解语义概念。通过深度视觉特征（deep visual features），机器人在人类

07

学界 | 看一遍人类动作就能模仿，能理解语义的谷歌机器人登上无监督学习的新高度

AI 科技评论按：机器学习能让机器人学会复杂的技能，例如抓住把手打开门。然而学习这些技能需要先人工编写一个奖励函数，然后才能让机器人开始优化它。相比之下，人类可以通过观察别人的做法来理解任务的目标，或者只是被告知目标是什么，就可以完成任务。目前，谷歌期望通过教会机器人理解语义概念，以使得机器人能够从人类的示范中学习动作，以及理解物体的语义概念，完成抓取动作。以下为 AI 科技评论编译的这篇谷歌博客的部分内容。问题的引入人类与机器人不同，我们不需要编写目标函数即可以完成许多复杂的任务。我们可以这样做，是

08

Arxiv 2022｜使用事件相机来进行隐私保护的视觉定位新方式

项目及数据集地址：https://82magnolia.github.io/event_localization/

01

强化学习的自然环境基准

虽然当前的基准强化学习（RL）任务对于推动这一领域的进展大有裨益，但在许多方面还不能很好地替代真实数据的学习。在低复杂度的仿真环境中测试日益复杂的RL算法，获得的RL策略难以推广。

03

Streaming 101:批处理之外的流式世界第一部分

尽管这些业务需求驱动了流式处理的发展，但与批处理相比，现有的流式处理系统仍然相对不成熟，这使得该领域最近产生了许多令人兴奋的发展。在本篇文章将会介绍一些基本的背景信息，再深入了解有关时间详细信息之前先明确饿一些术语的真实含义，并对批处理和流式处理的常用方法进行一些高层次的概述。

01

『论文阅读』10 CHALLENGING PROBLEMS IN DATA MINING RESEARCH

数据挖掘研究的当前状态太“特别”。许多技术都是针对个体问题设计的，如分类或聚类，但没有统一的理论。然而，统一不同数据挖掘任务（包括聚类，分类，关联规则等）以及不同数据挖掘方法（如统计，机器学习，数据库系统等）的理论框架将有助于该领域并为未来的研究提供基础。

04

应用于激流检测和定位的可解释深度学习

编辑 | 萝卜皮离岸流是一种强大的局部水流，沿着海岸移动并远离海岸。最近的研究表明，离岸流造成的溺水仍然是海滩安全的主要威胁。在决定指定巡逻区域的位置时，识别离岸流对于救生员来说很重要。当救生员不在巡逻时，公众在决定去哪里游泳时也需要信息。在这里，新西兰国立水与大气研究所 (NIWA)的研究人员提出了一种人工智能 (AI) 算法，该算法既可以识别图像/视频中是否存在裂流，也可以定位裂流发生的位置。虽然 AI 在裂流电流检测和定位方面取得了一些重大进展，但缺乏研究确保 AI 算法可以很好地推广到各种沿海

03

每日论文速递 | Agent-FLAN: Agent指令训练让开源大模型Agent能力更进一步

摘要：开源的大型语言模型（LLM）在各种 NLP 任务中取得了巨大成功，但在作为代理时，它们仍然远远不如基于 API 的模型。如何将代理能力整合到开源 LLM 中成为一个关键而紧迫的问题。本文首先提出了三个关键观察结果：(1) 当前的代理训练语料与格式遵循和代理推理都纠缠在一起，与其训练前的数据分布有很大不同；(2) LLMs 对代理任务所需的能力表现出不同的学习速度；(3) 当前的方法在提高代理能力时会引入幻觉，从而产生副作用。基于上述发现，我们提出了 Agent-FLAN 来有效地微调代理的 LANguage 模型。通过对训练语料的仔细分解和重新设计，Agent-FLAN 使 Llama2-7B 在各种代理评估数据集上的表现比之前的最佳作品高出 3.5/%。通过全面构建负样本，Agent-FLAN 极大地缓解了基于我们既定评估基准的幻觉问题。此外，在扩大模型规模时，它还能持续提高 LLM 的代理能力，同时略微增强 LLM 的一般能力。

01

CMU、谷歌提出Transformer-XL：学习超长上下文关系

语言建模需要对长期依赖性进行建模，它成功应用了无监督的预训练方法 (Peters et al., 2018; Devlin et al., 2018)。但要让神经网络对序列数据的长期依赖性建模一直都是一项挑战。

02

OpenGSL | 开源图结构学习基准库, 含12个前沿GSL方法和10个数据集

为解决拓扑结构固有的次优性质，图结构学习（Graph Structure Learning，GSL）作为一种以数据为中心（data-centric）的学习方法被提出，得到了迅速的发展。尽管如此，GSL研究领域仍然缺少一个统一的基准库，这在多个方面阻碍了这个领域的进展，因此我们开发了一个全面的图结构学习基准库OpenGSL，来实现公平对比和深入探索。我们希望OpenGSL可以帮助研究者了解GSL的前沿方法，促进快速、公平的评估，并激发 GSL 领域进一步的创新性研究。

02

桥接认知架构和生成模型

Bridging Cognitive Architectures and Generative Models with Vector Symbolic Algebras用向量符号代数桥接认知架构和生成模型

01

Google用深度学习做癌症病理检测，准确率达89％

王新民编译自Google Research Blog 量子位·QbitAI 出品 Google Brain技术主管Martin Stumpe和产品经理Lily Peng在官方博客上发表文章，描述了他们将深度学习用于病理检查的研究。这项工作由Google Brain和研究生命科学的兄弟公司Verily共同完成的。以下内容来自 Google Research Blog 诊断疾病时候，需要病理学家在检查患者的生物组织样品后给出诊断意见，这份诊断报告通常是疾病治疗中的黄金标准。特别是癌症，病理学家的诊断报告对患

05

Nat Rev Cancer｜人工智能在癌症研究、诊断和治疗中的应用

2021年9月17日，Nature Reviews Cancer杂志发表文章，介绍了4位专家对于AI在癌症的研究、诊断和治疗中使用的相关问题的观点。

07

3D版Sora来了？UMass、MIT等提出3D世界模型，具身智能机器人实现新里程碑

在最近的研究中，视觉-语言-动作（VLA，vision-language-action）模型的输入基本都是2D数据，没有集成更通用的3D物理世界。

01

计算机视觉最新进展概览(2021年6月20日到2021年6月26日)

1、3D Object Detection for Autonomous Driving: A Survey 自动驾驶被认为是保护人类免遭严重车祸的最有前途的方法之一。为此，三维目标检测是感知系统的核心基础，特别是在路径规划、运动预测、避碰等方面。一般来说，立体或单目图像中相应的三维点云已经是三维目标检测的标准布局，随着提供准确的深度信息，点云越来越普遍。尽管已有的努力，点云上的3D目标检测仍然处于起步阶段，原因是点云本质上高度稀疏和不规则，相机视图和激光雷达鸟瞰图之间的不对齐视图的模态协同，遮挡和规模变化在长距离等。近年来，在三维目标检测方面取得了深刻的进展，有大量的文献正在研究这一视觉任务。因此，我们将全面回顾该领域的最新进展，涵盖所有主要主题，包括传感器、基本原理和最新的最先进的检测方法及其优缺点。此外，我们将介绍度量并提供流行公共数据集的定量比较。未来工作的途径将在对调查工作进行深入分析后审慎地确定。最后，对本文进行了总结。 2、One Million Scenes for Autonomous Driving: ONCE Dataset 当前的自动驾驶感知模型因严重依赖大量注释数据来覆盖不可见的案例和解决长尾问题而臭名昭著。另一方面，从未标记的大规模收集数据中学习、逐步自我训练的强大识别模型越来越受到关注，可能成为下一代行业级强大、鲁棒的自动驾驶感知模型的解决方案。然而，研究领域普遍存在着现实场景中必不可少的数据不足的问题，这阻碍了未来全/半/自我监督的三维感知方法的探索。在本文中，我们介绍了用于自动驾驶场景的三维目标检测的ONCE(一百万场景)数据集。 ONCE数据集包括100万个激光雷达场景和700万个相应的相机图像。数据来自144个驾驶小时，比现有最大的3D自动驾驶数据集(如nuScenes和Waymo)长20倍，数据来自不同的地区、时间段和天气条件。为了便于未来利用无标记数据进行3D检测的研究，我们另外提供了一个基准，在此基准上我们在ONCE数据集上再现和评估各种自我监督和半监督方法。我们对这些方法进行了广泛的分析，并提供了与使用数据规模相关的有价值的观察结果。 3、SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving 为了促进一个真实的、不断发展和可扩展的自动驾驶系统，我们提出了一个大规模的基准，通过学习原始数据，对不同的自我监督和半监督方法进行标准化评估，这是迄今为止第一个也是最大的基准。现有的自动驾驶系统严重依赖“完美的”视觉感知模型(如检测)，这些模型使用大量标注数据进行训练，以确保安全。然而，在部署一个强大的自动驾驶系统时，要对所有场景和环境(例如夜晚、极端天气、城市)都精心标注是不现实的。基于自监督和半监督学习的强大发展，通过协同开发大规模无标记数据和少量标记数据学习鲁棒检测模型是一个很有前途的方向。现有的数据集(如KITTI、Waymo)要么只提供少量的数据，要么覆盖了有限的领域，并进行了完整的注释，阻碍了对大规模预训练模型的探索。在这里，我们发布了一个用于自动驾驶的大规模目标检测基准，名为SODA10M，包含1000万张未标记图像和20K张标记了6个代表性目标类别的图像。为了提高多样性，图像每10秒采集一次，在32个不同的城市中，在不同的天气条件下，时间段和场景。我们提供了广泛的实验和深入的分析现有的监督的最先进的检测模型，流行的自我监督和半监督方法，以及一些关于如何开发未来的模型的见解。 4、MODETR: Moving Object Detection with Transformers 运动目标检测(MOD)是自动驾驶系统的一项重要任务。 MOD通常通过融合了外观和运动线索的双流卷积结构处理，而没有考虑空间或运动特征之间的相互关系。在本文中，我们通过跨越空间流和运动流的多头注意机制来解决这个问题。我们建议MODETR; 一个运动物体检测Transformer网络，包括空间和运动形态的多流变压器编码器，和一个物体变压器解码器，使用集合预测产生运动物体的边界盒。整个体系结构使用双向损耗进行端到端训练。本文探讨了将运动线索与Transformer模型结合的几种方法，包括双流RGB和光流方法，以及利用序列信息的多流体系结构。为了整合时间信息，我们提出了一种新的时间位置编码(TPE)方法来扩展空间位置编码(SPE)。我们将为此探索两种架构选择，即在速度和时间之间实现平衡。为了评估我们的网络，我们在KITTI MOD[6]数据集上执行MOD任务。结果表明，显著的5%地图的Transformer网络MOD超过了最先进的方法。此外，提出的TPE编码比SPE基线提供了10%的mAP改进。 5、Multi-Modal 3D O

02

谷歌提出Deep Bootstrap Framework：从在线优化角度理解神经网络的好！

The Deep Bootstrap Framework: Good Online Learners are Good Offline Generalizers(ICLR21)

01

李飞飞团队最新论文：如何对图像中的实体精准“配对”？

编译 | 费棋【导语】近日，李飞飞的斯坦福大学视觉实验室发布了一篇即将在 CVPR 2018上要介绍的论文 Referring Relationships（指称关系），这篇论文主要研究的问题是给出一

08

Yoshua Bengio：深度学习的未来需要“探索高级认知的归纳偏置”

本文介绍了Yoshua Bengio及其学生Anirudh Goyal近期发表的一篇论文，该论文围绕“归纳偏置”概念，展开了对当下人工智能研究现状的讨论，并提出了富有启发性的观点：不同的深度学习架构基于不同的归纳偏置，探索更大范畴的归纳偏置，是实现人工智能研究进步的关键。

01

Neuroscout：可推广和重复利用的fMRI研究统一平台

功能磁共振成像 (fMRI) 已经彻底改变了认知神经科学，但方法上的障碍限制了研究结果的普遍性。Neuroscout，一个端到端分析自然功能磁共振成像数据的平台，旨在促进稳健和普遍化的研究推广。Neuroscout利用最先进的机器学习模型来自动注释来自使用自然刺激的数十个功能磁共振成像研究中的刺激—— 比如电影和叙事——使研究人员能够轻松地跨多个生态有效的数据集测试神经科学假设。此外，Neuroscout建立在开放工具和标准的强大生态系统上，提供易于使用的分析构建器和全自动执行引擎，以减少可重复研究的负担。通过一系列的元分析案例研究，验证了自动特征提取方法，并证明了其有支持更稳健的功能磁共振成像研究的潜力。由于其易于使用和高度自动化，Neuroscout克服了自然分析中常见出现的建模问题，并易于在数据集内和跨数据集进行规模分析，可以自利用一般的功能磁共振成像研究。

04

Yolov8对接FasterNet

Yolov8是一种流行的目标检测算法，而FasterNet则是一个基于神经网络的目标跟踪算法。本文将介绍如何将Yolov8和FasterNet结合起来，实现更准确和更快速的目标检测和跟踪。

01

DETR即插即用 | RefineBox进一步细化DETR家族的检测框，无痛涨点

例如，对于DETR，Conditinal-DETR，DAB-DETR和DN-DETR，性能提升分别为2.4 AP，2.5 AP，1.9 AP和1.6 AP。作者希望作者的工作能引起检测领域对当前DETR-like模型的定位Bottleneck的关注，并突出了RefineBox框架的潜力。代码和模型：https://github.com/YiqunChen1999/RefineBox

03

美国教授用2岁女儿训AI模型登Science！人类幼崽头戴相机训练全新AI

绝了，为了训练AI模型，一位纽约州立大学的教授，竟然把类似GoPro的相机绑在了自己女儿头上！

01

揭秘 | 旷视研究院COCO 2018 Keypoint夺冠背后的技术

旷视研究院 Detection Team 系列专栏主要是对外交流使用，分享检测组内部工作的新进展，同时也希望学习和吸取其他同学的经验、教训。我们非常欢迎有兴趣的新同学加入，一起做一些有意义的工作。第一期是我们 2018 年COCO Keypoint 冠军算法的首次解读。下面先上一个我们模型的视频结果。

02

干货 | COCO2018 Keypoint冠军算法解读

此专栏主要是我们 Face++ Detection Team 对外交流使用，分享我们内部的一些工作，同时也希望能从其他同学那里学习经验和教训。另外，也非常希望有兴趣的同学加入我们（可以联系我，yugang@megvii.com），一起做一些有意义的工作。我们组内的基本情况介绍的 slides。第一期是我们 2018 年做 COCO skeleton 的工作。下面先上一个我们模型的视频结果：

02

结构化PLP-SLAM：单目、RGB-D和双目相机使用点线面的高效稀疏建图与定位方案

文章：Structure PLP-SLAM: Efficient Sparse Mapping and Localization using Point, Line and Plane for Monocular, RGB-D and Stereo Cameras

01

Few-shot Adaptive Faster R-CNN

为了减少由域转移引起的检测性能下降，我们致力于开发一种新的少镜头自适应方法，该方法只需要少量的目标域映射和有限的边界框注释。为此，我们首先观察几个重大挑战。首先，目标域数据严重不足，使得现有的域自适应方法效率低下。其次，目标检测涉及同时定位和分类，进一步复杂化了模型的自适应过程。第三，该模型存在过度适应(类似于用少量数据样本训练时的过度拟合)和不稳定风险，可能导致目标域检测性能下降。为了解决这些挑战，我们首先引入了一个针对源和目标特性的配对机制，以缓解目标域样本不足的问题。然后，我们提出了一个双层模块，使源训练检测器适应目标域:1)基于分割池的图像级自适应模块在不同的位置上均匀提取和对齐成对的局部patch特征，具有不同的尺度和长宽比;2)实例级适配模块对成对的目标特性进行语义对齐，避免类间混淆。同时，采用源模型特征正则化(SMFR)方法，稳定了两个模块的自适应过程。结合这些贡献，提出了一种新型的少拍自适应Fast R-CNN框架，称为FAFRCNN。对多个数据集的实验表明，我们的模型在感兴趣的少镜头域适应(FDA)和非超视域适应(UDA)设置下均获得了最新的性能。

04

[计算机视觉论文速递] 2018-06-19 目标检测专场

这篇文章有 4篇论文速递，都是目标检测方向，包括行人检测、车辆检测、指纹检测和目标跟踪等。

02

解读困扰ML50年的问题！ICLR 2021接受论文：Google AI全新视角理解「泛化」

为什么在有限的训练数据集上优化一个模型会导致在held-out测试集上的性能良好？

03

每日学术速递12.31

1.Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion

01

向真实世界应用进军：持续自监督学习的挑战

在 Yann Lecun 等人的推动下，自监督学习成为了深度学习领域最受瞩目的技术之一。互联网世界源源不断产生的数据流无疑是充分发挥自监督学习能力的最佳土壤。然而，将自监督学习应用于自然场景将面临哪些严峻的挑战？且看来自 CMU 的 Abhinav Gupta 团队如何对此展开研究。编译 | OGAI 编辑 | 陈彩娴 1 摘要自监督学习旨在消除表示学习对人工标注的需求，我们希望自监督学习利用自然场景下的数据学习表征，即不需要有限的和静态的数据集。真正的自监督算法应该能够利用互联网上产生的连续数据流，或

04

Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free and Anchor-based Detectors

随着最近半监督目标检测（SS-OD）技术的发展，目标检测器可以通过使用有限的标记数据和丰富的未标记数据来改进。然而，仍有两个挑战没有解决：（1）在无锚检测器上没有先期的SS-OD工作，（2）在伪标签边界框回归时，先期工作是无效的。在本文中，我们提出了Unbiased Teacher v2，它显示了SS-OD方法在无锚检测器上的通用性，同时也为无监督回归损失引入了Listen2Student机制。特别是，我们首先提出了一项研究，检查现有的SS-OD方法在无锚检测器上的有效性，发现它们在半监督环境下取得的性能改进要低得多。我们还观察到，在半监督环境下，无锚检测器中使用的带 centerness 的框选择和基于定位的标签不能很好地工作。另一方面，我们的Listen2Student机制明确地防止在训练边界框回归时出现误导性的伪标签。边界框回归的训练中明确防止误导性的伪标签；我们特别开发了一种新的伪标签选择机制，该机制基于教师和学生的相对不确定性。和学生的相对不确定性为基础的新型伪标签选择机制。这一想法有助于在半监督环境下对回归分支进行了有利的改进。我们的方法，既适用于我们的方法适用于无锚和基于锚的方法，在VOC、 COCO-standard和COCO-additional中一直优于最先进的方法。

02

Flink1.14 前言预览

本文由社区志愿者陈政羽整理，内容源自宋辛童 (五藏) 在 8 月 7 日线上 Flink Meetup 分享的《Flink 1.14 新特性预览》。主要内容为：

05

年龄两岁，教龄一年半：婴儿AI训练师登上Science

在公开采访中，图灵奖得主 Yann LeCun 多次提到，现在的 AI 模型和人类婴儿相比，学习效率实在是太低了。那么，如果让一个 AI 模型去学习婴儿头戴摄像头拍到的东西，它能学到什么？

01

候选CVPR 2024最佳论文！深圳大学联手香港理工发布MemSAM：将「分割一切」模型用于医学视频分割

深圳大学计算机与软件学院和香港理工大学智能健康研究中心联合提出了一种新颖的超声心动图视频分割模型 MemSAM，与现有模型相比展示了最先进的性能。

01

实现AGI，强化学习就够了？Sutton、Silver师徒联手：奖励机制足够实现各种目标

机器之心报道编辑：小舟、陈萍通用人工智能，用强化学习的奖励机制就能实现吗？几十年来，在人工智能领域，计算机科学家设计并开发了各种复杂的机制和技术，以复现视觉、语言、推理、运动技能等智能能力。尽管这些努力使人工智能系统在有限的环境中能够有效地解决特定的问题，但却尚未开发出与人类和动物一般的智能系统。人们把具备与人类同等智慧、或超越人类的人工智能称为通用人工智能（AGI）。这种系统被认为可以执行人类能够执行的任何智能任务，它是人工智能领域主要研究目标之一。关于通用人工智能的探索正在不断发展。近日强化学习

01

时间序列预测如何变成有监督学习问题？

时间序列预测问题可以作为一个有监督学习问题来解决。

05

复旦大学提出SemiSAM | 如何使用SAM来增强半监督医学图像分割？这或许是条可行的路！

医学图像分割的目标是从医学图像（如器官和病变）中识别特定的解剖结构，这是为提供可靠的体积和形状信息并协助许多临床应用（如疾病诊断和定量分析）提供基础和重要的一步。尽管基于深度学习的方法在医学图像分割任务上表现出色，但大多数这些方法都需要相对大量的优质标注数据进行训练，而获取大规模的仔细 Token 数据集是不切实际的，尤其是在医学成像领域，只有专家能够提供可靠和准确的分割标注。此外，常用的医学成像模式如CT和MRI是3D体积图像，这进一步增加了手动标注的工作量，与2D图像相比，专家需要逐层从体积切片进行分割。

01

适应多形态多任务，最强开源机器人学习系统「八爪鱼」诞生

在机器人学习方面，一种常用方法是收集针对特定机器人和任务的数据集，然后用其来训练策略。但是，如果使用这种方法来从头开始学习，每一个任务都需要收集足够数据，并且所得策略的泛化能力通常也不佳。

01

基于空洞补全的动态SLAM方法

同步定位和制图（SLAM）一直被认为机器人定位导航以及无人驾驶的核心技术，而利用摄像头作为传感器的视觉SLAM在近几十年也得到了广泛的研究，在这期间涌现了大量优秀的SLAM方法，为后人对SLAM技术的研究打下了坚实的基础。

04

将分析应用于金融机构打击欺诈行为

使用数据和其他尖端工具可以帮助组织做出更好的决策，并加强监控欺诈性交易的工作。

02

ICPR 2022 VideoPipe: 面向复杂城市管网的大规模视频理解挑战赛

本次VideoPipe挑战赛的主要目标是，利用先进的人工智能技术，对真实管道视频进行异常分类与检测，实现高精准、智能化的复杂城市管道缺陷分析。本次挑战赛我们提供了两个高质量的城市管道检测视频数据集，即QV-Pipe数据集和CCTV-Pipe数据集，这两个数据集来自真实的城市管道检测视频。基于这两个数据集，我们组织了两个赛道的挑战赛：1）QV-Pipe视频缺陷分类；2）CCTV-Pipe视频缺陷时间检测。本次挑战赛设置了丰富的奖金，对优胜者以资鼓励，欢迎大家踊跃参赛！比赛官网：https://videopip

02

Meta AI开源CLIP-DINOiser | 如何将自监督DINO的Trick教给CLIP？这里就是答案！

语义分割是许多实际系统中进行关键视觉感知任务的一个关键步骤，例如自动驾驶汽车和工业机器人。通常以数据集为导向进行处理，最佳方法需要一个经过人工标注的训练数据集，该数据集针对特定且有限的一组类别进行处理。强大的视觉语言模型的出现正在推动从封闭词汇范式向开放世界范式的转变。

01

向真实世界应用进军：持续自监督学习的挑战

来源：AI科技评论本文约7000字，建议阅读10+分钟在本文中，我们通过实验对“连续自监督学习”问题展开了研究。在 Yann Lecun 等人的推动下，自监督学习成为了深度学习领域最受瞩目的技术之一。互联网世界源源不断产生的数据流无疑是充分发挥自监督学习能力的最佳土壤。然而，将自监督学习应用于自然场景将面临哪些严峻的挑战？且看来自 CMU 的 Abhinav Gupta 团队如何对此展开研究。 1、摘要自监督学习旨在消除表示学习对人工标注的需求，我们希望自监督学习利用自然场景下的数据学习表征，即不需要

01

SemSegMap ：基于3D点云语义信息的定位

文章：SemSegMap - 3D Segment-Based Semantic Localization

05

基于视觉语义信息的建图与定位综述

文章：Semantic Visual Simultaneous Localization and Mapping: A Survey

02

EMNLP 2020 | 开放域对话系统的属性一致性识别

一致性问题是当前开放域对话面临的主要问题之一。已有的研究工作主要探索了如何将属性信息融合到对话回复中[1,2,3,4]，但是很少有人研究如何理解、识别对话系统的回复与其预设属性之间的一致性关系。

02

基于稀疏语义视觉特征的道路场景的建图与定位

文章：Road Mapping and Localization using Sparse Semantic Visual Features

03

泛化性的危机！LeCun发文质疑：测试集和训练集永远没关系

---- 新智元报道来源：arXiv 编辑：LRS 【新智元导读】长久以来一个观点就是在测试集上表现更好的模型，泛化性一定更好，但事实真是这样吗？LeCun团队最近发了一篇论文，用实验证明了在高维空间下，测试集和训练集没有关系，模型做的一直只有外推没有内插，也就是说训练集下的模型和测试集表现没关系！如此一来，刷榜岂不是毫无意义？内插（interpolation）和外推（extrapolation）是机器学习、函数近似（function approximation）中两个重要的概念。在机器学习

02

如何设计一个良好的流系统？（上）

streaming system有两篇经典博客：streaming 101和streaming 102，深刻的描述了流系统的精髓和对未来的展望，这篇文章权当一个导读的作用。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭