- 综合排序
- 最热优先
- 最新优先
- 来自专栏联远智维
AI+实时仿真——三维力场感知
通过摄像头抓取结构的三维应力场，现寻求有相关诉求的合作方。 从想到这个idea开始，我们购买了手抛小飞机，进行了三维建模和对应的CAE仿真，后续通过模型降解实现边缘侧的部署，最终实现了通过摄像头获取小飞机的三维受力特征。
23910编辑于 2025-09-04 - 来自专栏一点人工一点智能
NeurIPS 2022 | GeoD：用几何感知鉴别器改进三维感知图像合成
01 介绍 三维感知图像合成因其在三维世界建模中的潜力而受到越来越多的关注。与主要关注图像质量和多样性的2D相比[1,13–16,28]，3D感知生成也有望获取合成图像背后的精确的3D形状。 截至今日，已经有很多工作做了尝试，从生成器方面改进3D感知的GANs，或者使用更好的表示[3,5,24,25,30,34]、新颖的架构[2,9,23,29,36]。 02 相关工作 2.1 三维感知图像合成 近年来，三维感知图像合成受到了广泛的关注。与2DGANs的主要区别在于在生成器中使用了3D表示。 3.2 几何感知辨别 回想一下，我们在鉴别器中引入了一个几何分支，为发生器提供三维监控信号。在这一部分，我们会介绍如何结合几何分支来构建一个几何感知鉴别器，以改进三维感知图像合成。 3.2.2 对假图像执行几何感知辨别 如上所述，基于G-NeRF[2、3、5、9、23–25、29、30、34、36]构建的3D感知生成器可以合成一致的3D感知图像，这是因为G-NeRF中编码的基本几何体
89340编辑于 2022-12-27 - 来自专栏OpenMMLab
具身智能中的多模态三维感知思考
本期精彩 从驾驶场景到室内场景，具身三维感知系统面对的是更复杂的室内语义，更多样的物体类别和朝向，以及大不相同的感知空间和需求。 重新思考其中差异和数据基础，EmbodiedScan 团队构造了一套基于第一视角的多模态全场景三维感知系统/工具包，从数据标注到模型训练，从基准构建到任务评测，以大规模真实场景扫描和面向下游的全面标注为基础 本期社区开放麦，我们特别邀请到上海人工智能实验室青年研究员王泰带来《具身智能中的多模态三维感知思考》的分享，该研究近期被 CVPR 2024 接收，更多精彩内容请锁定本周四晚 20:00 的社区开放麦直播 图 2：EmbodiedScan 提供了一个多模态、基于第一视角的三维感知数据集，其中包含大量的真实扫描数据和全面且丰富的标注，从而构建了一个针对真实世界机器人基于语言的三维场景整体理解方面的评测基准。 图 5：基线方法框架示意图 从基准和实验看 EmbodiedScan 的价值 一些常规性量化实验结果 最终我们构建了针对传统感知任务和多模态场景理解的两套基准，其中传统感知任务包括 3D 目标检测和 semantic
1.4K11编辑于 2024-03-07 - 来自专栏媒矿工厂
VoxGRAF：基于稀疏体素的快速三维感知图像合成
GRAF 采用了 NeRF 中基于坐标的场景表示方法，提出了一种使用基于坐标的 MLP 和体渲染的 3D-aware GAN，将基于 3D 感知的图像合成推进到更高的图像分辨率，同时基于物理真实且无参数的渲染 然而在三维场景进行密集采样会产生巨大的消耗，同时三维的内容经常与观察视角纠缠在一起，而进行下游应用时，场景的三维表征往往需要集成到物理引擎中，因此难以直接获得场景三维内容的高分辨率表征。 http://mpvideo.qpic.cn/0b2ei4ad4aaa5uao2ab7crrvar6dhzdqapqa.f10002.mp4? 图4 将算法与其他新型的多视角合成算法对比，计算不同数据集下的 FID 指标，得到的计算结果如图 5 中的表格所示。 图5 正如预期的那样，使用带有上采样的神经渲染方法(即 StyleNeRF 和 EG3D)在图像保真度方面表现最好,因为神经渲染增加了灵活性，同时牺牲了场景的三维一致性。
1.5K30编辑于 2022-11-07 - 来自专栏运维之路
风险感知（二）场景设计5要素
本篇接《风险感知（一）》，将采用数字化运维场景设计方法梳理风险感知场景的一些思路。 分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 ）、决策、执行闭环 以下从“人、事、时间、协同、环境”5要素看看场景。 5.环境 环境包括显性环境与隐性环境。
1.4K20编辑于 2022-11-16 - 来自专栏未来先知
伦敦大学提出 SAMa: 材料感知三维选择和分割 ！
大多数现有的材料分割工作依赖于手工程特征[5, 24, 40, 48, 51]或者专注于平坦表面的图像[11, 26, 34, 35, 44]。 作者在图5和补充材料中的原始SAM2模型中展示了点击帧复制的效果。 基于kNN的投票方法。通过阈值化作者的kNN重构的三维相似性场，作者得到一个二元选择场。 在随机视角下，作者在一个单一材质内进行5次随机点击。然后，作者计算这5个选择 Mask 之间的两两汉明距离，并求平均值。作者将结果报告在表2底部，数值越小越好。 作者进一步在不使用点云查找的情况下评估了2D结果，这将平均mIoU提高了约5%。 材料感知的3D高斯分布。对于3D高斯分布，作者使用了第5.1节中描述的材料分割步骤。
58510编辑于 2025-02-19 - 来自专栏图形学与OpenGL
第5章代码-三维观察
目录 5.5 编程实例 5.5.1 二维实例——红蓝三角形 5.5.2 三维实例——立方体透视投影 5.5 编程实例 5.5.1 二维实例——红蓝三角形 #include <GL/glut.h> typedef glutCreateWindow("Triangle"); glutDisplayFunc(display); init(); glutMainLoop(); } 5.5.2 三维实例 glClearColor(1.0,1.0,1.0,0.0); /*①观察变换*/ gluLookAt (x0, y0, z0, xref, yref, zref, Vx, Vy, Vz); //指定三维观察参数
65720发布于 2020-09-19 - 来自专栏AI科技评论
活动 | 机器感知、三维点云如何与深度学习擦出火花？
AI 科技评论从议程进行不完全统计，机器感知与控制仍然是 ICRA 2018 的关注重点。 所有的 Workshops & Tutorials 中有近一半是围绕两个议程的讨论，而基于现实问题的应用探讨（包括道德伦理）也有 5 个相关议题。 等问题，这就涉及到非常多的问题，比如三维重建，视觉测距、对象分类、人类/物体的姿态估计、语义分割、匹配，识别和本地化等。也就是说，机器人需要在这个过程中学会如何主动感知和控制。 在三维点云及即时检测、多任务检测上，深度学习对机器人的研究也有着不少先进成果。 不论是机器感知，或是以三维点云为代表的技术，在利用深度学习探索的过程中，必然还是会遇到同样的问题。
94710发布于 2018-07-26 StereoLabs：重新定义三维感知的计算机视觉先锋
引言在当今快速发展的计算机视觉和机器人技术领域，三维空间感知已成为自动驾驶、AR/VR、智能监控等应用的核心技术需求。 StereoLabs作为一家专注于立体视觉解决方案的创新公司，凭借其先进的ZED系列深度相机和强大的SDK，正在为行业带来革命性的三维感知能力。 云端服务扩展除了本地SDK，StereoLabs正在发展云端三维视觉服务，为移动设备和低算力终端提供远程三维感知能力。 总结StereoLabs通过创新的立体视觉技术，为计算机视觉领域提供了强大而灵活的三维感知解决方案。 关键词：StereoLabs,立体视觉,深度相机,ZEDSDK,计算机视觉,三维感知,深度估计,SLAM,机器人视觉,视觉感知
23010编辑于 2026-01-09- 来自专栏未来先知
VideoScene：以三维感知跳跃流蒸馏策略破局，高效弥合从Sparse视图到三维场景的差距！
具体而言，作者设计了一种三维感知跳跃流蒸馏策略，以跳过耗时冗余信息，并训练一个动态去噪策略网络，以在推理过程中自适应地确定最佳跳跃时间步长。 为解决这些局限性，作者提出了VideoScene框架，该框架使用三维感知跳跃流蒸馏来整合三维先验知识，实现一致的三维视频生成，同时通过单步扩散去噪加速快速高质量生成。 3. 方法 3.1. 基于三维感知的LeapFlow蒸馏 在一致性蒸馏训练[55]中，传统的噪声调度器从数据分布中采样初始真实值，并应用噪声通过正向扩散在随机时间步生成，具体方法如下： 高斯噪声 ， 和 定义了随机插值 图5显示VideoScene获得了正确匹配点数量最多，验证了其具有更优的几何一致性。 4.3. 消融实验与分析 作者进行了消融研究，以分析VideoScene框架中的设计选择（参见表3和图6）。 5. 结论 本文介绍VideoScene，一个新颖的快速视频生成框架，该框架将视频扩散模型提炼为一步生成3D场景。
47900编辑于 2025-05-27 - 来自专栏点云PCL
当视觉遇到毫米波雷达：自动驾驶的三维目标感知基准
公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享。侵权或转载联系微信cloudpoint9527。 摘要 传感器融合对于自动驾驶车辆上的准确和鲁棒的感知系统至关重要。 从摄像机获取丰富的语义信息，以及从雷达获取可靠的三维信息，潜在地可以实现对于3D目标感知任务的高效、廉价和便携的解决方案。 在此，我们在标注过程中考虑以下5个对象类别：行人、汽车、货车、卡车和公共汽车。除了3D边界框之外，我们还为后续的多目标跟踪（MOT）任务标注了对象跟踪ID。 AB3DMOT单独跟踪不同的对象类别，并在最后阶段将它们合并，因此我们也分别评估汽车和行人的3D MOT性能，如表5所示。 从表5可以看出，“DD3D+AB3DMOT”的组合在3D MOT性能方面表现最佳。由于前一阶段3D检测质量较差，“SMOKE+AB3DMOT”在行人跟踪方面的性能非常差。
1.2K11编辑于 2023-12-12 - 来自专栏DrugOne
. | 引导等变扩散驱动的靶标感知三维分子生成
现有的分子生成模型在结构基础的药物设计中常常忽视结构合理性和药物样性质，因而生成不真实的三维分子。 近年来，几何深度学习推动了基于蛋白口袋的三维分子生成方法的发展，但已有模型往往存在结构扭曲、缺乏药物样性质等问题。 结果 DiffGui 框架概述 DiffGui 是一种非自回归的目标感知分子生成模型，基于等变扩散框架构建。 讨论 生成能够在蛋白口袋中稳定结合的三维分子是药物设计中的重大挑战。
31610编辑于 2025-09-02 - 来自专栏机器视觉工坊
感知
环境感知了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。 无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用 Support Vector Machine，SVM）对聚类的特征进行分类，最近几年由于深度学习的发展，业界开始使用特别设计的卷积神经网络（Convolutional Neural Network，CNN）对三维的点云聚类进行分类 对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知
64520发布于 2020-07-28 - 来自专栏机器之心
CVPR 25 |全面提升视觉感知鲁棒性，生成模型快速赋能三维检测
然而，在借助该技术将感知任务的训练图像扩充到各类分布偏移场景时，必须确保物体的三维信息与原始标注相匹配，否则就会给视觉感知模型带来额外噪音干扰。 技术方案 基于前面的讨论，我们不禁思考：要怎么去设计一个无需额外训练的可控生成方法，在准确保留物体三维信息的前提下，实现感知模型训练图像的可控扩充？ 举例而言，一个高 20 像素、宽 5 像素的行人框经多次（如 32 倍）下采样后，最终在主成分中无法占据一个独立的单元。 图 5 基于KITTI数据集的消融实验示意图 结果可视化 进一步提供了单目和多目的可视化结果如下图所示： 图 6 基于KITTI数据集的单目三维检测图像增广示例 图 7 基于nuScenes数据集的多目三维检测图像增广示例 基于上述实验结果，有理由相信通过对视觉三维检测训练数据的有效扩充，该论文所设计的方法能够有效地提高视觉感知模型的泛化性能，从而提升三维检测在自动驾驶中的落地和应用。
39910编辑于 2025-05-25 GPT-5多模态与情境感知AI技术解析
GPT-5以分钟级代码生成能力注入"人性化"AI语音该模型具备增强的自主行动与推理能力，例如在演示中仅用数分钟便编写400余行代码创建交互式物理模拟。 用户无需手动选择深度推理模式，GPT-5可自动判断问题复杂度，同时支持通过下拉菜单强制激活深度推理。 OpenAI研究主管在直播中表示："其目标是提供恰到好处的思考量以生成完美答案"。 API提供三种变体： GPT-5：面向逻辑与多步骤任务的前沿模型 GPT-5-mini：低成本轻量版 GPT-5-nano：低延迟场景专用优化版 开发者可调节"详细度"参数，并选择"极简模式"以满足超低延迟需求 技术泄漏事件正式发布前，部分GPT-5技术资料曾短暂出现在代码托管平台。 尽管近期有观点认为生成式AI进入平台期，但分析师强调GPT-5在推理精度、领域准确性与幻觉控制方面实现显著突破："性能提升更多源于系统设计创新而非单纯规模扩张"。
36410编辑于 2025-08-11- 来自专栏AI科技评论
用于形状精确三维感知图像合成的着色引导生成隐式模型 | NeurIPS2021
在多个数据集上实验表明，在捕获精确的底层三维形状的同时，ShadeGAN做到了实现具备真实感的三维感知图像合成。 生成三维感知图像合成 生成对抗网络（GANs）可以生成高分辨率的真实照片图像，但对摄像机视点的明确控制却很匮乏。为了能够以3D感知的方式合成图像，许多最新方法研究了如何将3D表示合并到GANs中。 但这种方法需要低效的实例特定训练，并恢复深度贴图，而不是完整的三维表示。本文提出的三维感知生成模型也可以作为无监督三维形状学习的有力方法。 图5中包含了更多的合成图像及其相应的形状。除了更精确的3D形状外，ShadeGAN还可以从本质上了解反照率和漫反射着色组件。 5 结论本文提出的ShadeGAN是一种新的生成隐式模型，用于形状精确的3D感知图像合成。并证实在ShadeGAN中通过显式光照建模实现的多重光照约束显著有助于从2D图像学习精确的3D形状。
1K10编辑于 2022-03-03 - 来自专栏AI科技评论
干货 | 平面图像的感知已经基本解决了，那三维数据的呢？
你要如何让你的车感知行人、骑自行车的人以及其他车辆，以安全行驶呢？ 显而易见，我们需要的是能够直接以 3D 方式操作的计算机视觉方法，而这就提出了三个明显的挑战：3D 数据的感知、表示和理解。 感知 3D 数据的采集是一个复杂的过程。 虽然 2D 摄像价格便宜且应用广泛，但是 3D 感知通常需要专用硬件设施。 ? 双目视觉使用了多个相机，并对感知目标位置的转移进行了评估，来计算深层信息 1. 将 3D 感知问题转换为 2D 感知问题是一个聪明的做法，但在某种程度上，这种方法仍然需要你推理出一个目标的 3D 几何。 最后的思考 在过去仅仅 5 年的时间里，3D 深度学习方法已经从使用衍生的（多视图）3D 数据表示发展到原始的（点云）3D 数据表示。
1K51发布于 2019-10-31 耕地土壤墒情监测站：三维感知 + 动态响应，构建田间水分精准管理新范式
耕地土壤墒情监测站作为田间水分信息的 “立体感知终端”，其核心优势在于突破传统单点、静态监测的局限，通过多维度技术融合实现土壤水分的高精度、全周期表征。
31700编辑于 2025-08-04- 来自专栏量子位
千米感知误差低于5%，嬴彻发布全球领先的超长距精准3D感知技术
这就是嬴彻科技最新发布的超长距精准3D感知技术要解决的问题。 不仅感知距离可以达到 1000 米，嬴彻还在行业内首次提到了测距精度—— 1000米感知距离下，测距误差能达到5%以下。 具体而言，是对车辆直接进行检测，通过将车辆进行部件级拆解，将其与三维模型做精准拟合。 通过拟合出来的三维模型， 结合背景的深度图片，就可以得到车辆的位姿信息，包括距离，朝向等，实现了超长距离的三维感知。 这一套方案，被称为“场景深度感知 + 前景车辆部件级解析”。 如上图所示，嬴彻用静态三维扫描的方法对其算法进行了严格的实地验证，实验证明，嬴彻的超长距3D感知技术在距离为 1000 米的时候，测距精度能达到 5%以内。 在深度三维测距的精确度上，该技术已经达到了世界领先水平。 有何价值？ 杨睿刚博士介绍，感知距离每增加 100 米，系统可增加 4 秒的预警和应对时间。
69330发布于 2020-07-14 - 来自专栏hotarugaliの技术分享
感知机
3.2 感知机的学习策略 假设训练数据集是线性可分的，感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面 ，即确定感知机模型参数 和 。 算法 上述学习策略验证了感知机在线性可分数据集上的有效性，下面就是要给出如何在训练数据集上具体实现感知机学习过程。感知机学习问题有两种形式，一种是最直观的原始形式，一种是原始形式的对偶形式。 wL(w,b)=−xi∈M∑yixi∇bL(w,b)=−xi∈M∑yi(4) 设学习率为 ，则梯度下降法更新参数的方式为（即每次迭都加上负梯度）： w←w+ηyixib←b+ηyi5) boldsymbol{w} \leftarrow \boldsymbol{w} + \eta y_i \boldsymbol{x}_i \\ b \leftarrow b + \eta y_i \tag(5) w←w+ηyixib←b+ηyi5)(() 综上所述，可以总结为如下算法： 算法：感知机学习算法的原始形式 输入：训练数据集 ，其中 ， ；学 习率 ； 输出： ；感知机模型
95920编辑于 2022-04-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号