价值知识传播者

原创 Recognize Anything: A Strong Image Tagging Model

展示了零样本学习的能力，以高准确度识别任何常见类别。RAM引入了一种新的图像标注范式，利用大规模的图像文本对进行训练，而不是手动注释。随后，通过统一字幕和标注任务，由原始文本和解析标签分别进行监督，训练初步模型以实现自动注释。最后，使用处理后的数据对模型进行重新训练，并使用较小但更高质量的数据集进行微调。我们在许多基准测试中评估了RAM的标注能力，并观察到令人印象深刻的零样本性能，明显优于CLIP和BLIP。值得注意的是，RAM甚至超越了完全监督的方式，并展现出与Google标注API相竞争的性能。

原创 2区论文Feature Aware Re-weighting (FAR) in Bird’s Eye View for LiDAR-based 3D object detection

在这项工作中，我们提出了一种新颖的2D神经网络架构，即特征感知重新加权网络（Feature Aware Re-weighting Network），通过注意机制利用局部上下文进行BEV中的特征提取，以提高基于LiDAR的检测器的3D检测性能。在五种最先进的检测器和三个基准数据集（KITTI、Waymo和nuScenes）上进行的大量实验证明了所提方法在检测性能和最小增加的计算负担方面的有效性。图4. FAR网络在KITTI数据集的CenterPoint上的定性评估。图3 FAR网络的结构。

原创 Unsupervised Semantic Segmentation of PolSAR Images Based on Multi-view Similarity

为了解决单一视角相似性测量能力不足的问题，提出了一种基于多视角相似性的PolSAR图像无监督语义分割方法，用于估计类别数（NoC）并进行分类。NoC估计在语义分割方法中通常被忽略，为了保证合理性，提出了一种基于多视角极化旋转域特征和视觉评估趋势（VAT）方法的无监督PolSAR图像NoC估计方法。在两个AIRSAR数据集和一个高分三号数据集上进行的广泛实验证明，该方法能够有效地结合空间邻域相似性信息，实现更高的语义分割准确性。最后，基于估计的NoC和融合的相似性矩阵，采用。图1. 所提方法的概览。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 3 概率：多元模型（1）-page 107-136/858

3.1 多个随机变量的联合分布在本节中，我们讨论衡量一个或多个变量彼此依赖程度的各种方法。3.1.1 协方差两个随机变量X和Y之间的协方差衡量了X和Y之间的（线性）相关程度。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 2 概率：一元模型（5）-page 99-106/858

2.8.4 仿射变换的矩假设 ( f ) 是一个仿射函数，即 ( y = Ax + b )。在这种情况下，我们可以轻松推导 ( y ) 的均值和协方差。首先，对于均值，我们有其中 ( \mu = E[x] )。如果 ( f ) 是一个标量函数，即 ( f(x) = a^Tx + b )，相应的结果是对于协方差，我们有其中 ( \Sigma = \text{Cov}[x] )。我们将其证明留作练习。作为一个特例，如果 ( y = a^Tx + b )，我们得到。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 2 概率：一元模型（4）-page 91-99 /858 2.7

在这一部分，我们简要介绍了本书中将要使用的其他一些单变量分布。高斯分布对异常值比较敏感。作为对高斯分布的健壮替代，我们将介绍学生 t 分布，简称学生分布。其概率密度函数（pdf）如下：其中 (\mu) 是均值，(\sigma > 0) 是尺度参数（不是标准差），(\nu > 0) 被称为自由度（尽管更好的术语可能是正常度 [Kru13]，因为较大的 (\nu) 使分布的行为类似于高斯分布）。Figure 2.16: 描述异常值对拟合高斯、学生 t 和拉普拉斯分布的影响的图示。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 2 概率：一元模型（3）-page 79-91 /858 2.6

(a) 对于 (N(0, 1))、(T(\mu = 0, \sigma = 1, \nu = 1))、(T(\mu = 0, \sigma = 1, \nu = 2)) 和 Laplace(0, (1/\sqrt{2}))，显示了它们的概率密度函数（pdf）。\mu, \sigma^2) = \frac{1}{2} [1 + \text{erf}(z/\sqrt{2})]) 实现，其中 (z = (y - \mu)/\sigma)，erf(u) 是误差函数，定义为。在高斯的情况下，这也是众数。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 2 概率：一元模型（2）-page 75-79 /858

将先验分布[ p(H = h) ]乘以每个h的似然函数[ p(Y = y|H = h) ]会得到未归一化的联合分布[ p(H = h, Y = y) ]。令H = 1表示你感染的事件，H = 0表示你没有感染的事件。（为简洁起见，我们将值的分布[ p(H = 0|Y = y), p(H = 1|Y = y)] ]写为[ p(H|y) )。通过计算每个h的[ \frac{p(H = h, Y = y)}{p(Y = y)} ]来对联合分布进行归一化，得到后验分布[ p(H = h|Y = y) ]；

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 2 概率：一元模型（1）-page61~74/858,2.1简介和2.2随机变量

在左边，我们有均匀分布，(p(x) = \frac{1}{4})，在右边，我们有退化分布，(p(x) = I(x = 1))，其中 I() 是二进制指示函数。例如，我们说(X_1, X_2, X_3)在以下条件下是相互独立的：[ p(X_1, X_2, X_3) = p(X_1)p(X_2)p(X_3), p(X_1, X_2) = p(X_1)p(X_2), p(X_2, X_3) = p(X_2)p(X_3), \text{和} p(X_1, X_3) = p(X_1)p(X_3) \。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介- 第一章（5）-page58~60/858

在这个框架中，具有AI/ML组件的系统与其他复杂的、半自主的人工制品并没有太大的区别，例如带有自动驾驶仪的飞机、在线交易平台或医学诊断系统（参见[Jor19;然而，过于紧密地模拟当前或过去的人类行为可能是不可取的，并且可能受到用于训练的数据的偏见（参见例如 [Pau+20]）。[如果统计学领域] 从一开始就将计算方法纳入其作为基本工具的范畴，而不仅仅是一种方便应用现有工具的方式，许多其他与数据相关的领域[如ML]就不需要存在——它们本应是统计学的一部分。（AGI），即拥有与人类相当的广泛智能的机器。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介（4）-page44~57/858 1.3非监督学习-1.4强化学习-1.5数据

1.3 无监督学习在监督学习中，我们假设训练集中的每个输入示例 x 都有一个关联的输出目标集 y，我们的目标是学习输入输出映射。虽然这是有用的，也可能很困难，但监督学习本质上只是“美化的曲线拟合”[Pea18]。一个可能更有趣的任务是尝试“理解”数据，而不仅仅是学习一个映射。也就是说，我们只获得观察到的“输入” D = {xn：n = 1：N}，没有任何对应的“输出” yn。这被称为无监督学习。从概率的角度来看，我们可以将无监督学习的任务视为拟合形式为 p(x) 的无条件模型，该模型可以生成新的数据

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介（3）-page38~44/858

在第1.2.2.2节中，我们手动指定了输入特征的转换，即多项式展开，(\phi(x) = [1, x_1, x_2, x_2^1, x_2^2, . . .])。其中 (\mu) 是均值，(\sigma^2) 是方差，(\sqrt{2\pi\sigma^2}) 是归一化常数，以确保密度积分为1。其中 (w) 是斜率，(b) 是偏移，(\theta = (w, b)) 是模型的所有参数。如果我们使用训练集来评估不同的模型，我们将始终选择最复杂的模型，因为它将具有最多的自由度，因此将具有最小的损失。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介（2）-page38/858

机器学习或ML的一个流行定义，由Tom Mitchell [Mit97]提出，如下所示：如果一个计算机程序在某类任务T上通过经验E学到了性能度量P，那么就说它在任务T上从经验E中学到了东西，并且在任务T中的性能，由性能度量P来衡量，在经验E的影响下提高。因此，有许多不同类型的机器学习，取决于我们希望系统学习的任务T的性质，我们用于评估系统的性能度量P的性质，以及我们给予它的训练信号或经验E的性质。在本书中，我们将从概率的角度讨论最常见的ML类型。

原创 Probabilistic Machine Learning：Introduction 概率机器学习：简介（1）

这些突破是由硬件技术（特别是将快速图形处理单元（GPU）从视频游戏转用于ML）、数据收集技术（特别是使用众包工具，如亚马逊的Mechanical Turk平台，收集大型标记数据集，如ImageNet）以及各种新的算法思想推动的，本书涵盖了其中一些。在2012年，我出版了一本名为《机器学习：概率透视》的1200页书，该书在概率建模的统一视角下，相当全面地涵盖了当时的机器学习（ML）领域。为了使这本入门书更加自包含和对学生有用，我添加了一些背景材料，涵盖了2012年书中由于空间不足而省略的主题，如。

原创 论文阅读和发布博客规则20240218

3、对我的项目、论文、专利及比赛的影响力在哪里的思考和总结。2、详细阅读（题目名称、摘要、主要图例及说明）；1、选择范围：1区论文，基于我过去的研究基础；

原创 Cooperative caching algorithm for mobile edge networks based on multi-agent meta reinforcement lear

为了克服这些挑战，本文提出了一种基于多智能体元强化学习的合作边缘缓存算法（MAMRC），包括内外两个模型。外部模型使用元学习方法学习元参数并初始化内部模型，增强内部模型的泛化能力，使其能够迅速适应新任务。实验结果表明，与传统的DRL方法和基于MADRL的算法相比，考虑了边缘协作的内部模型缓存性能分别提高了15.35%和4.55%。值得注意的是，与传统的缓存算法和没有使用元参数初始化的内部模型相比，MAMRC在面对新任务时表现出更强的平均缓存性能和更强的泛化能力。Fig. 5. 外部模型的工作流程。

原创 Spectrum-Energy-Efficient Mode Selection and Resource Allocation for Heterogeneous V2X Networks: A F

所提方案包括基于动作观察的DRL和考虑本地模型历史参数的模型参数聚合算法。通过观察相邻代理的动作并动态平衡奖励的历史样本，基于动作观察的DRL可以确保每个代理的个体模型快速收敛。通过随机抽样历史模型参数并将它们添加到基础模型聚合过程中，模型参数聚合算法提高了基础模型的泛化能力。广义模型仅发送给每个新代理，因此每个旧代理可以保留其个体模型的个性。异构通信环境和安全关键消息的广播特性给模式选择和资源分配问题带来了巨大挑战。Fig. 2. 基于联邦学习的分布式优化网络访问 (FL-aided DONA) 框架。

原创 A Scheimpflug conditions-based binocular stereo vision system

我们提供了两种典型的结构以满足不同应用中的测量需求。基于基于球体的校准方法，改进后的系统可以被精确地校准，即确定这两个摄像机之间的转换矩阵。实验证明，对于近似180×190毫米的测量区域，测量的均方根误差约为0.014毫米。与传统的双目立体视觉系统相比，测量误差减少了37.84%，而测量区域增加了约87.91%。总之，所提出的双目立体视觉系统可以提高测量效率和精度，更适合完成现场测量任务。Fig. 4 改进后的双目立体视觉系统的理想化结构之一。Fig. 5 改进后的双目立体视觉系统的理想化结构之二。

原创 Circular-Feature-Based Pose Estimation of Noncooperative Satellite Using Time-of-Flight Sensor

用于捕捉维修的卫星。首先，选择对接环作为用于姿态测量的识别对象。其次，提出了一种新的椭圆检测方法来检测对接环。第三，利用反射块，使用圆形特征来估计六个自由度的姿态。结合每个像素位置处的TOF测距，可以消除姿态的二义性，并通过几何约束恢复滚转角。地面物理实验证明了所提方法的有效性和高效性。在轨道应用中，该算法能够准确且稳健地估计非合作卫星的相对姿态，为追随飞行器提供可靠的导航信息，相对姿态估计误差小于2度和5厘米。基于圆形特征的非合作卫星姿态估计，利用飞行时间传感器。

原创 Distributed Task Scheduling for MEC-Assisted Virtual Reality: A Fully-Cooperative Multi-Agent Perspe

接下来，我们将边缘网络视为一个全面合作的多智能体系统，并将问题转化为分散式部分观测马尔可夫决策过程（Dec-POMDP）。最后，我们提出了一种基于多智能体近端策略优化的合作任务调度方案来解决Dec-POMDP。模拟结果显示，边缘节点之间的合作提高了网络的卸载成功率、延迟合规率和负载平衡。然而，大多数相关研究将边缘服务器视为自私的节点，独立做出调度决策，忽视了边缘服务器之间合作的潜力。通过在分布式调度器之间共享一个共同的目标，任务可以以合作的方式卸载到适当的边缘服务器上。由于渲染要求和边缘服务器的异构性，

原创 Distributed Gradient Tracking for Differentially Private Multi-Agent Optimization With a Dynamic Eve

分布式优化通过分布式智能体之间的合作实现目标函数的最小化。考虑到通信能力有限和隐私问题，本文提出了一种用于分布式优化的动态事件触发的差分隐私梯度跟踪算法。通过事件触发来减少通信需求，同时通过对状态的扰动和平均梯度的跟踪来保证 ε-差分隐私。理论上建立了步长的充分条件，以保证均值和几乎肯定的收敛。此外，严格获得了理论上的隐私级别，并讨论了事件触发通信对隐私的积极影响。通过对一个4节点星型电力系统的数据集分类的稳定性进行了模拟，以验证理论发现。分布式梯度跟踪用于具有动态事件触发机制的差分隐私多智能体优化。

原创 一个统计方法用于估计数据稀缺低电压网络中由不平衡引起的能量损失（2）

原创 A Statistical Approach to Estimate Imbalance-Induced Energy Losses for Data-Scarce Low Voltage Netwo

该范围表示数据稀缺网络中不平衡引起的能量损失的置信区间。案例研究表明，鉴于来自数据稀缺网络的数据如此之少，这些网络中有80%以上被归类为正确的集群，不平衡引起的能量损失估计的置信度为89%。的网络集群（数据丰富的网络）之间的匹配。然后，CCRE对类似于数据稀缺网络的数据富网络集群的不平衡引起的能量损失进行范围估计。一个统计方法用于估计数据稀缺低电压网络中由不平衡引起的能量损失。理解不平衡引起的能量损失的一个关键障碍是。图5. 簇i示例不平衡引起的能量损失分布。图3. TN-C接地系统。

原创 Biomass characterization with semantic segmentation models and point cloud analysis for precisi

在这个背景下，本文提出了一种新颖的方法，利用低成本的Azure Kinect RGB-D相机在葡萄园中获取的图像对生物质体积进行表征。在迁移学习的方法中，使用了通过Intel RealSense D435深度相机获取的公共数据集来训练分割网络。在不同相机拍摄的训练和测试集上，U-Net结构配备ResNet50骨干获得了最佳的分割结果，精度为92.10%。然而，DeepLabV3+网络搭载ResNeXt50骨干在测试集上获得了90.25%的精度，并且需要最短的训练时间，给出了对去除的生物质量的最佳估算。

原创 PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression

点云格式的通用性使其在许多3D应用中得以广泛应用，因此在实践中，点云的压缩成为一个关键的阶段。作为离散的3D点进行采样，点云通过有限的比特深度逼近嵌入3D中的2D表面。然而，实际点云的点分布随着比特深度的增加而发生 drastical 变化，需要不同的方法来进行有效的消耗/分析。我们将典型的点云表示方式——基于点的表示、基于体素的表示和基于树的表示——以及它们相关的主干统一在一个基于学习的框架下，以在不同比特深度水平上对输入的点云进行压缩。图2. 利用不同点云表示方式的有损点云压缩框架的比较。

原创 Neighbor discovery protocol anomaly-based detection system using neural network algorithm

然而，IPv6高度依赖邻居发现协议（NDP），不幸的是，该协议的底层消息协议——互联网控制消息协议版本6存在众所周知的漏洞。不幸的是，现有的基于异常的检测系统存在一个关键问题，即检测基于NDP的分布式拒绝服务（DDoS）攻击的有效性，这需要紧急解决。本文提出了一种系统，用于发现由于NDP攻击而导致的非正常的网络流量模式。使用真实数据集测试所提出系统的性能表明，它能以99.95%的成功率、99.92%的精确率、99.98%的召回率、99.98%的F1分数和0.040%的误报率发现NDP异常。

原创 Kinematics-aware spatial-temporal feature transform for 3D human pose estimation

本文对人体属性进行了一些启发性的观察，这些属性具有人体姿势的启发式模式：1) 任何一种人体姿势都具有明显的时间一致性；与现有的工作直接将每个骨关节投影到姿势特征而不加区分不同的方法不同，所提出的局部结构特征编码器将人体结构的局部连接属性映射到运动学特征中，这些特征是从人体骨关节的局部和全局组中提取的神经嵌入。然后，通过提出的时空特征变换对运动学特征进行变换，以增强人体骨关节之间的时空相关性。对常用数据集的大量实验结果表明，在相同的实验条件下，与最先进的方法相比，关节位置的平均误差显著减小。

原创 Non-invasive load monitoring based on deep learning to identify unknown loads

随着智能电网的快速发展，社会对解决低能源利用效率和高能耗的问题变得愈发迫切。在这个背景下，负荷识别已成为制定科学有效的能耗计划和减少不必要能源浪费的关键要素。然而，传统的负荷识别方法主要集中在已知电气设备上，对未知电气设备的准确识别仍然面临着重大挑战。此外，引入了迁移学习，以快速更新预分类模型对未知负荷的自增类。在实验证明，我们的方法在PLAID数据集上取得了成功的效果。通过这项研究，我们希望为负荷识别领域带来新的思路，以满足智能电网发展中对未知电器设备识别的紧迫需求。图1. 空调运行的均方根电流值。

原创 Multi-prototype Relational Network for Few-Shot ALS Point Cloud Semantic Segmentation by Transferri

为了克服这些问题，提出了一种新颖的三阶段多原型关系网络（Thr-MPRNet），用于通过从精心标注的摄影测量点云中转移知识进行少样本ALS点云语义分割。在MPRNet中，建立了一个包含特征学习器和关系学习器的3D少样本学习结构，从多个点级任务中学习元知识，并设计了一个多原型生成器，用于表示点云的语义分布，可以动态适应大规模场景。先从源摄影测量点云中元学习先验知识，然后将其传递给带有少量标注ALS点云的新目标数据集。总的来说，所提出的方法实现了最先进的跨域语义分割性能，并极大地减轻了对ALS点云标注的依赖。

原创 Secure Event-Triggered Distributed Finite-Memory Localization for Multiple Mobile Robots Under Cyber

能够抵御网络攻击。所提出的基于FME的新型事件触发机制通过预测远程定位系统的性能，有效地执行触发。网络攻击，如拒绝服务和欺骗攻击，可能发生并干扰测量信息的传输。为解决这个问题，我们提出了一种安全的定位算法，通过使用Frobenius范数方法推导出新的FME，其中测量模型反映了网络攻击的影响。由此产生的算法被称为安全事件触发分布式有限内存定位，相对于现有算法更能抵御网络攻击。通过实验证明了该算法在存在/不存在网络攻击条件下与两个现有的事件触发分布式定位算法相比的性能。图2. 所提算法的结构。

原创 STAR: Shape-focused Texture Agnostic Representations for Improved Object Detection and 6D Pose Estim

我们使用了专为机器人工业环境中设计的、具有无纹理和金属物体的TLESS和ITODD数据集进行评估。我们绕过了使用CAD网格进行纹理建模或重建的耗时步骤，转而从创意共享纹理数据库中检索纹理，并将其应用于CAD网格模型。与网格重建过程相比，这条路径在计算上更为廉价，后者不仅需要真实对象和覆盖整个对象表面的图像，还需要进行网格重建、后处理和裁剪。ITODD测试集中的示例图像，其中显示了由纹理先验的YOLOx和纹理无关变体预测的边界框；在随机纹理方法应用于TLESS和ITODD数据集之前和之后的物体纹理。

原创 A Simple Framework of Few-Shot Learning Using Sparse Annotations for Semantic Segmentation of 3D Poi

所提出的方法经过了两组基准测试，分别是TUM-MLS-2016数据集和Toronto-3D MLS数据集的组合，用于提供预训练模型和测试数据集，以及DALES数据集作为基础数据集和ISPRS基准数据集作为测试数据集的组合。我们获得了令人印象深刻的结果，与使用密集注释的最先进方法达到了相同水平，对Toronto-3D MLS数据集上的八个语义类别的整体准确性达到了0.81，对ISPRS基准数据集上的九个语义类别的整体准确性也达到了0.81，证明了所提出框架的有效性。(b) 稀疏标注的点云。

原创 Kinematics-aware spatial-temporal feature transform for 3D human pose estimation

与现有工作直接将每个骨关节投影到姿势特征而无差别的做法不同，所提出的局部结构特征编码器将人体结构的局部连接属性映射到运动学特征中，这些特征是从人体骨关节的局部和全局组中提取的神经嵌入。然后，通过提出的时空特征变换对运动学特征进行转换，以增强人体骨关节之间的空间和时间相关性。(b) 和 © 分别是时空特征变换的空间模块和时间模块，进一步增强了人体姿势的空间相关性和时间一致性的表征。本文提出了一些关于人体属性的启发性观察，这些观察揭示了人体姿势的启发式模式：1）任何类型的人体姿势都具有明显的时间一致性；

原创 Distributed Task Offloading in Cooperative Mobile Edge Computing Networks

所提出的分布式算法使得每个边缘服务器仅通过本地通信就能计算其任务卸载决策，而无需任何可能导致通信/计算瓶颈的中央处理器。仿真验证了所提算法的效率，并且证明它比基线算法具有更低的计算复杂性。移动边缘计算（MEC）被提出作为一种处理边缘服务器上计算密集型和延迟敏感移动任务的有前途的技术。本文考虑了在合作MEC网络中带有约束的任务卸载问题，其中多个边缘服务器和云中心共同处理从移动设备接收到的任务。图2. 具有云边协作和边边协作的合作边缘计算网络的连接图。在合作移动边缘计算网络中的分布式任务卸载。

原创 EPDet: Enhancing point clouds features with effective representation for 3D object detection

此外，为了改进点云特征，我们采用了Focal Conv作为我们的3D骨干，探索多模态融合效果。在多类别测试中，由于Focal Conv和金字塔状Conv表示的更精细的特征，EPDet在检测较小对象方面表现出色。在实验中，作为一种即插即用的模块，我们验证了BEV Offset Transformer在单阶（SECOND），双阶（Voxel-RCNN）和多阶（CasA）算法中的有效性。基于Voxel-RCNN的EPDet在多类别检测的中等子集中超过了基线1.65%的mAP（平均精度）。

原创 Stochastic Resource Optimization for Wireless Powered Hybrid Coded Edge Computing Networks

用户可以选择通过以下方式完成计算任务：i）利用基站提供的无线能量进行本地计算，ii）编码边缘卸载，或iii）涉及边缘卸载和本地计算的混合计算。为了最小化整体网络成本，我们提出了一种随机资源优化方法。为了解决SIP问题的复杂性，其随网络规模增加而增加，我们引入了Benders’分解和样本平均逼近的高效计算方法。，适用于可以在多个阶段执行修正边缘卸载操作的情况，例如，对于不需要在第二阶段完成的非时间敏感任务。最后，我们进行了广泛的敏感性分析，评估了在不同网络参数变化情况下所提出的最小化成本方法的性能。

原创 Mobility-Aware Computation Offloading in Satellite Edge Computing Networks

然而，低地球轨道（LEO）卫星具有有限的计算资源并以高速移动，这自然而然地对找到具有最小网络延迟和能耗的更合适的计算卸载策略提出了挑战，特别是当大量共存的用户需要卸载任务时。因此，在本文中，我们主要关注卫星边缘计算网络（SECN）中的计算卸载，通过联合考虑LEO卫星的移动性和SECN的异构资源约束，探索更实际的计算卸载策略。我们首先通过明确LEO卫星的高速运动对计算卸载的影响，从而形成卫星边缘计算网络（SECN）中的移动性感知计算卸载（MCO）问题，旨在最小化网络延迟和能耗。

原创 Multi-Modal 3D Object Detection in Long Range and Low-Resolution Conditions of Sensors

我们通过广泛的定量结果展示了它们在不同距离的物体上的有效性，并通过详细的可视化演示了我们的方法如何预测远距离或遮挡的物体。此外，我们还展示了我们的方法在点云数量减少的场景中的性能，进一步模拟低分辨率传感器引起的稀疏性。为了确保每种方法在单独使用时的有效性，我们对Temporal Fuser（TF）、Temporally-Aware Ground Truth Paste（TA-GTP）和Temporal Loading的组成部分进行了彻底的消融研究，从而验证了我们提出的方法。摘自[Tag+23]。

原创 Segment Anything

我们正在发布Segment Anything Model (SAM) 和相应的数据集（SA-1B），其中包括10亿个掩膜和1100万张图像，网址为 https://segment-anything.com，以促进计算机视觉基础模型的研究。图1：我们的目标是通过引入三个相互连接的组件来构建一个分割的基础模型：可提示的分割任务，驱动数据标注并通过提示工程实现对一系列任务的零迁移的分割模型（SAM），以及一个用于收集我们的数据集SA-1B中超过10亿个掩膜的数据引擎。图5：图像大小归一化的掩膜中心分布。

原创 MedSAM-Lite 3D Slicer插件

在Slicer应用程序中，选择工具栏顶部的“欢迎来到Slicer”下拉菜单，导航到Developer Tools > Extension Wizard。现在，在“欢迎来到Slicer”下拉菜单中，在分割子菜单下，添加了MedSAMLite选项。在相同的部分中，您可以从分割和源体积下拉菜单中选择正确的分割组，并手动优化分割结果。如果您安装了版本<= v0.02：从步骤＃2和步骤＃6中删除所有预先存在的文件，并按照之前的说明安装新版本。从发布页面下载插件的特定版本，并提取到您选择的位置。