- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
视觉意识的主动推理模型
具体来说,我们提出了一个基于主动推理的视觉意识的层次化、部分可观察的马尔可夫决策过程(POMDP)模型。 重要的是,我们利用与主动推理相关的神经过程理论,在神经生物学和模型提供的模拟之间建立明确的联系。 正如我们将要展示的,手头有一个电子实验对象可以让我们证明,在当前关于视觉意识的神经科学研究中,大量不同的发现是如何被大脑功能的第一原理解释的。 结论和未来方向本文介绍了全局神经元工作空间的正式扩展——预测性全局神经元工作空间——在深度主动推理架构中实现。 除了解释和统一视觉意识的神经相关文献中不同的发现之外,这里提出的预测性全球神经元工作区模型还产生了几个经验预测和机械神经计算解释,涉及 P3 和主观报告的关系、有意识通路下推理机制的神经生物学实现以及视觉意识中预期的作用
83520编辑于 2022-04-15 - 来自专栏AI科技评论
ICML 2021 | 向抗视觉混淆的主动目标跟踪迈进
本文将重点讨论另一种复杂场景下所存在的挑战，即视觉混淆干扰对主动目标跟踪的影响。 因此，有必要就跟踪过程中存在的视觉混淆干扰问题开展研究，以实现在复杂场景下鲁棒的主动目标跟踪。 图1. 在有着多个具有相同着装的人群中跟踪目标 虽然已经有一些研究工作对被动视频跟踪中的视觉混淆干扰开展了研究，但几乎没有工作就主动跟踪场景中存在的视觉混淆干扰进行研究。 要克服视觉混淆干扰的影响，主动目标跟踪器不仅需要学习一个具有时空连续性的状态表征，还需要采取适当的控制策略移动相机，调整视角，主动避免视觉混淆在画面中的出现。 通过模仿学习，将元策略所学行为策略高效传授给基于视觉的主动目标跟踪器。
83360发布于 2021-07-27 - 来自专栏机器之心
「听觉」引导「视觉」，OmniAgent开启全模态主动感知新范式
这是一种基于「音频引导」的主动感知 Agent，通过「思考 - 行动 - 观察 - 反思」闭环，实现了从被动响应到主动探询的范式转变。 相比之下，OmniAgent 引入了一种全新的主动感知推理范式。通过在迭代反思循环中策略性地调度视频与音频理解能力，该方法有效攻克了跨模态对齐的难题，从而实现了对视听内容的细粒度理解。 .行动：根据计划，OmniAgent 会从构建的多模态工具中选取合适的工具进行调用： 事件工具：利用音频能够高效捕捉全局上下文的特性，首创音频引导事件定位，快速锁定关键时间窗口，避免对长视频进行无效的视觉扫描 总的来看，OmniAgent 证明了在全模态理解任务中，音频引导的的主动感知策略是解决跨模态对齐困难、提升细粒度推理能力的有效路径。该工作为未来的全模态 Agent 算法设计提供了新的范式参考。
24810编辑于 2026-01-12 - 来自专栏信数据得永生
树莓派计算机视觉编程：11~13
十一、计算机视觉的实际应用 在上一章中，我们研究了计算机视觉中的各种高级概念，例如形态运算和轮廓。 本章是我们在前面各章中学习和展示的所有计算机视觉概念的最终总结。 在本章中，我们将使用我们较早学习的计算机视觉操作来实现一些实际项目。 我们还将学习一些新概念，例如背景减法和光流计算，然后在小型应用中进行演示。 从现在开始，利用从本书实验中获得的知识，我们可以更详细地探索 OpenCV 的图像处理和计算机视觉领域。 我们围绕 OpenCV 库的旅程到此结束。 它实现了许多与计算机视觉相关的算法。 它已经用 C++ 实现，并且可以在 NumPy 数组上运行。 它还具有适用于 Python 3 的简洁接口。 我们可以结合使用各种库的代码来创建具有所需功能的各种计算机视觉应用。 在下一部分中，我们将探索 Jupyter 笔记本。
2.1K10编辑于 2023-04-27 - 来自专栏全栈程序员必看
MS WORD 表格自己主动调整列宽，自己主动变美丽，依据内容自己主动调整
这个功能就是表格的自己主动调整功能。表格的自己主动调整功能有依据内容调整表格和依据窗体调整表格。 一、表格依据内容自己主动调整 1、依据内容调整表格 主要利器之中的一个，当表格比較凌乱。 对于内容比較少的列会自己主动压缩其所占空间。使用后表格内容分布会变得比較匀称。差点儿不须要再行调整，或仅仅需简单的微调就可以达到理想的效果。 二、使用快捷键调整表格 当文档中出现数十个或数百个表格时，先要移动到要编辑表格上，再接着点每一个表格的右键，然后移动到“自己主动调整”菜单，然后移动到依据内容/窗体调整表格菜单，最后点击运行调整
1.5K20编辑于 2022-07-10 - 来自专栏思影科技
眼动研究：先验知识对年轻人和老年人主动视觉和记忆的影响
Wynn等人在Journal of Experimental Psychology:General杂志发文，采用眼动方法研究了先验知识对年轻人和老年人主动视觉和记忆的影响。 研究结果表明，老年人对先验知识的过度依赖对主动视觉和记忆都有影响。 方法 被试 年轻人（YA）：24名，年龄范围18-32。 老年人（OA）：24名，年龄范围63-81。 此外，分析观看的结果表明，模式在主动视觉过程中指导眼球运动，通过眼球运动调节搜索表现。场景模式对搜索表现的行为和眼动测量的影响随着年龄的不同而不同，老年人比年轻人更依赖模式。 总结 视觉搜索中，由于年龄导致的从依赖情景记忆到依赖先验知识的转变，对主动视觉和记忆都产生了即时和持久的影响。 未来的工作应该继续探索主动视觉和记忆之间的关系，特别是与健康老化相关的注意力偏差如何调节记忆编码和检索。 原文： Wynn, J.S., Ryan, J.
80820发布于 2019-09-03 - 来自专栏新智元
ICLR2019 | 你追踪，我逃跑：一种用于主动视觉跟踪的对抗博弈机制
什么是主动视觉跟踪？ 主动视觉跟踪（Visual Active Tracking）是指智能体根据视觉观测信息主动控制相机的移动，从而实现对目标物体的跟踪（与目标保持特定距离）。 主动视觉跟踪在很多真实机器人任务中都有需求，如用无人机跟拍目标拍摄视频，智能跟随旅行箱等。要实现主动视觉跟踪，智能体需要执行一系列的子任务，如目标识别、定位、运动估计和相机控制等。 然而，传统的视觉跟踪方法的研究仅仅专注于从连续帧中提取出关于目标的2D包围框，而没有考虑如何主动控制相机移动。因此，相比于这种“被动”跟踪，主动视觉跟踪更有实际应用价值，但也带来了诸多挑战。 左图：一个机器人主动跟随目标移动（图片来自网络） 右图：对比基于强化学习的端到端主动跟踪和传统的跟踪方法[1] 深度强化学习方法有前景，但仍有局限性 在前期的工作[1][2]中，作者提出了一种用深度强化学习训练端到端的网络来完成主动视觉跟踪的方法 对于主动视觉跟踪的训练问题，不仅仅前背景物体外观的多样性，目标运动轨迹的复杂程度也将直接影响跟踪器的泛化能力。
1.8K10发布于 2019-05-08 - 来自专栏AI科技评论
ICLR2019 | 你追踪，我逃跑：一种用于主动视觉跟踪的对抗博弈机制
主动视觉跟踪（Visual Active Tracking）是指智能体根据视觉观测信息主动控制相机的移动，从而实现对目标物体的跟踪（与目标保持特定距离）。 主动视觉跟踪在很多真实机器人任务中都有需求，如用无人机跟拍目标拍摄视频，智能跟随旅行箱等。要实现主动视觉跟踪，智能体需要执行一系列的子任务，如目标识别、定位、运动估计和相机控制等。 然而，传统的视觉跟踪方法的研究仅仅专注于从连续帧中提取出关于目标的2D包围框，而没有考虑如何主动控制相机移动。因此，相比于这种“被动”跟踪，主动视觉跟踪更有实际应用价值，但也带来了诸多挑战。 ? 左图：一个机器人主动跟随目标移动（图片来自网络） 右图：对比基于强化学习的端到端主动跟踪和传统的跟踪方法[1] 深度强化学习方法有前景，但仍有局限性 在前期的工作[1][2]中，作者提出了一种用深度强化学习训练端到端的网络来完成主动视觉跟踪的方法 对于主动视觉跟踪的训练问题，不仅仅前背景物体外观的多样性，目标运动轨迹的复杂程度也将直接影响跟踪器的泛化能力。
1K20发布于 2019-05-13 - 来自专栏智能算法
机器视觉算法(第11期)----OpenCV中的绘图与注释
上期我们一起学习来了图像处理中64个常用的算子， 机器视觉算法(第10期)----图像处理中64个常用的算子 从今天我们仍将以OpenCV为工具，来学习下算法中常用的绘图和注释有哪些？ 1.
1.6K20发布于 2019-07-12 - 来自专栏DDD
主动GC,需要吗
swap加载到内存，耗时 解决思路 对于上面的原因，可以找出对应的方案： 分配小点，通过小而快的方式达到快速gc 定期检测old gen使用情况，当快要到达临界值时候(old gen使用率大于50%)主动执行 cms gc 主动Gc可能会影响服务，所以可能需要服务先下线，gc完，再上线 参考资料 CMS垃圾回收器详解 GC Algorithms: Implementations
70820发布于 2021-03-23 - 来自专栏python前行者
frida主动调用方法
frida主动调用函数 除了使用frida进行hook, 很多场景我们需要用frida主动调用app的java方法和so方法。 所以主动调用要灵活的多。 更多frida调用app方法 frida rpc视频演示: https://space.bilibili.com/430241559 frida主动调用方法分类 frida主动调用分为下面几种情况 frida 主动调用java类方法 （静态java方法） frida 主动调用native类方法 (静态native方法） frida 主动调用对象的java方法 frida 主动调用对象的native方法 frida 430241559 frida简单实用脚本的使用：https://www.jianshu.com/p/f79a76463565 Frida日常使用总结：http://www.juziss.cn/2020/11
80710编辑于 2025-06-13 - 来自专栏算法进阶
主动学习概述(ActiveLearning)
一、前言 本文整理了我对主动学习的理解和最新研究的感悟，主要目的是供大家参考、讨论，一起学习和交流主动学习的技术。 例如，特斯拉等 特斯拉挑战视觉极限 https://www.bilibili.com/read/cv7621643 主动学习如何改善自动驾驶夜间行人检测【NVIDIA】 https://www.bilibili.com 难以迁移：主动学习是一种数据选择策略，那么实际应用中必然需求更通用、泛化性更好的主动学习策略。 然而，作者发现与这一现象形成鲜明对比的是：在视觉问答任务的 5 个模型和 4 个数据集中，各种各样的主动学习方法未能胜过随机选择。 Audio-Visual Video Representations： https://arxiv.org/abs/2009.09805 对比学习已被证明可以通过最大化实例的不同视图之间的互信息（MI）的下限来生成音频和视觉数据的可概括表示
82130编辑于 2023-11-16 - 来自专栏全栈程序员必看
Oracle 11g系统自己主动收集统计信息的一些知识「建议收藏」
在11g之前，当表的数据量改动超过总数据量的10%，就会晚上自己主动收集统计信息。怎样推断10%。之前的帖子有研究过：oracle自己主动统计信息的收集原理及实验。 在11g之后，STALE_PERCENT=10%是能够改动的，分为全局（DBMS_STATS.SET_GLOBAL_PREFS ）和表级别（DBMS_STATS.SET_TABLE_PREFS）。 STALE_PERCENT’,null); 查询百分比:select dbms_stats.get_prefs(‘STALE_PERCENT’,null,’table_name’) from dual; —11g MONDAY_WINDOW freq=daily;byday=MON;byhour=22;byminute=0; bysecond=0 +000 04:00:00 –禁用自己主动收集 11g之后能够设置INCREMENTAL仅仅对数据有变动的分区做收集 exec dbms_stats.set_table_prefs(user,’table_name’,’INCREMENTAL’,’TRUE
1.6K10编辑于 2022-07-10 - 来自专栏CreateAMind
—个主动设计agent
AlDA：—个基于推理的主动设计代理 从人类大脑只跟环境交互就设计算法的方式（例如，语音和对象识别、骑自行车等）中获得灵感 音频处理算法 摘要 在本文中，我们介绍了AIDA,它是一个基于推理的主动代理 在计算方面，AIDA被实现为一个主动的基于推理的代理,具有用于试验设计的期望自由能标准。 近年来，FEP也被应用于合成agent的设计「7,8,9,10]o基于FEP的代理的一个显著特点是，他们在勘探和开发之间进行动态权衡[11,12,13],这是在学习导航HA参数空间时非常需要的属性。 这种方法体现了基于FEP的代理，其与声学模型结合操作，并主动学习最佳的依赖于上下文的调谐参数设置。 因此，我们不会要求客户必须将视觉注意力集中在与智能手机应用程序的交互上。最多，我们希望客户轻拍一下或者做一个简单的手势，不会将任何注意力从正在进行的对话上转移开。
33731编辑于 2023-10-24 - 来自专栏CreateAMind
主动推理研究机构和主动推理生态系统
2017;11: 95.doi:10.3389/fncom.2017.00095 9.Friston KJ，Daunizeau J，Kiebel SJ。强化学习还是主动推理？公共科学图书馆一号。 2021;5: 211–251.doi:10.1162/netn_a_00175 11.克拉克答:接下来呢？预测大脑、情境代理和认知的未来科学。Behav脑科学。 2020;11: 598733.doi:10.3389/fpsyg.2020.598733 28.傅立杰，林敏，傅瑞思，裴祖洛，霍布森，翁多巴卡.主动推理，好奇心和洞察力。神经计算。 2023年4月17日[引用于2023年8月11日]。可用:https://rkauf.medium.com/the-gaia-attractor-41e5af33f3b7 111.主动推理研究所。 主动推理研究所91直播流。2021年11月30日[引用242023年7月]。
62030编辑于 2023-09-28 - 来自专栏机器人课程与技术
ROS2+Gazebo11+Car+OpenCV录制视觉数据和控制学习
录制视觉数据如下： ---- 控制效果如下： ---- 如上控制案例参考： 2019年的一篇旧文，大概三年前了。 不变的配方，熟悉的味道。 [gazebo-1] [gazebo-1] libcurl: (6) Could not resolve host: fuel.ignitionrobotics.org ---- 录制视觉参考代码如下：
87810编辑于 2022-06-08 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(11) | 循环神经网络及视觉应用
--- 本篇重点 RNN的概念与多种形式 语言模型 图像标注、视觉问答、注意力模型 RNN梯度流 1.RNN的概念与多种形式 关于RNN的详细知识也可以对比阅读ShowMeAI的以下内容深度学习教程 | （虽然这些已经不是计算机视觉的内容了） 3.看图说话、视觉问答、注意力模型 之前提过很多次 图片描述/看图说话（Image Captioning），即训练一个模型，输入一张图片，然后得到它的自然语言语义描述 如下图所示： 图片 这个结构的模型也可以用于其他任务，比如视觉问答（Visual Question Answering）。 图片 在视觉问答任务中，会有两个输入，一个是图像，一个是关于图像的用自然语言描述的问题。模型从一些答案中选择一个正确的。 , VGG, Googlenet, Restnet等) 深度学习与CV教程(10) | 轻量化CNN架构 (SqueezeNet, ShuffleNet, MobileNet等) 深度学习与CV教程(11
1.3K41编辑于 2022-06-09 - 来自专栏机器人课程与技术
ROS2+Gazebo11+Car+OpenCV获取巡线视觉数据学习
环境介绍： 主系统win11，子系统ubuntu22.04，Gazebo11.10，ROS2 humble。 完成后，整体效果如下： ---- 然后，对获取视觉数据进行处理可以实现巡线跑程序，后面一节再叙述。 需要配置摄像头也就是视觉插件： <sensor name='camera' type='camera'> <always_on>1</always_on> 需要熟练掌握Gazebo11使用，此部分基础ROS1/2差异不大，内容和方法基本通用的。
69320编辑于 2022-06-06 - 来自专栏信数据得永生
OpenCV3 和 Qt5 计算机视觉：11~12
转换为标准 C++ 代码（确切地说，是在最新版本的 Qt 中，转换为 C++ 11 或更高版本）。 本书的最后一章旨在帮助您结合使用 OpenCV 和极其易于使用且美观的 Qt Quick Controls，开始开发用于移动设备（Android 和 iOS）的计算机视觉应用。 在最后一章中，我们还将学习如何使用与 Qt 和 OpenCV 相同的桌面项目来创建移动计算机视觉应用，并将我们的跨平台范围扩展到桌面平台之外，并扩展到移动世界。 完整，美观的跨平台计算机视觉应用。 首先，让我们看一下项目（*.pro）文件中的区别。 通过使用 Qt 和 OpenCV 框架，尤其是 QML 的功能，可以快速轻松地构建应用，您可以立即开始实现所有计算机视觉创意。
8.1K20编辑于 2023-04-27 - 来自专栏全栈程序员必看
AC自己主动机 总结
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/117740.html原文链接：https://javaforall.cn
50110编辑于 2022-07-08
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