- 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。 我们通过模拟表明,该模型可以:1)统一以前看似矛盾的结果;以及 2)再现由GNW 预测的四向分类法的基本方面,描述有意识接近、注意力和刺激强度之间的关系。 我们通过要求代理监控周围圆圈的颜色(红色或黑色) 来操纵注意力,而牺牲了内部阵列(见图 2)。 这种叙述的性质变得直截了当 我们的模型提供的第一个主要见解是,许多先前的电生理学结果可以仅基于假设一个具有深层时间结构的简单 2 级模型来再现。 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
2 简介 对于主动目标跟踪，从若干个相似物体中识别目标并持续跟踪是非常困难的。首先，因为物体外观十分相似，使得视觉外观存在一定迷惑性，使得模型很难直接通过模板匹配找到真正的目标。 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。 然而，基本没有工作就如何实现这样的主动目标跟踪器开展研究讨论。 图2. 用于主动目标跟踪的多智能体混合博弈 要解决上述问题，首先需要解决的问题应当是如何生成/制造含有多样复杂视觉混淆干扰的场景。 2 的收益无任何实质贡献。直观地讲，惩罚项 ?(1, ?) 可以指导干扰者学会导航到跟踪者的视野中心，而目标 ?2 的奖赏可以鼓励它与目标合作以产生视觉混淆干扰，从而误导跟踪者。 2. 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。 2.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 2.OmniVideoBench：在长视频理解任务中，准确率达 59.1%，大幅领先 Qwen3-Omni-30B (38.4%) 。 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CreateAMind
实现系统2(system2)主动推理与认知控制
在下文中，我们介绍了三个面对驾驶任务的主动推理智能体： 第一个使用的是没有认知控制机制 的生成模型（模拟1）， 第二个使用的是简单元认知控制模型 （模拟2）， 第三个使用的是完整的元认知控制模型 （模拟 观察结果包含 3种视觉观察模态 ： 第一种模态表示右侧车道是否畅通或有石块堆积，分别表示当前情境为“安全”或“危险”； 第二种模态表示三个选项：“开始”、“靠左行驶”和“靠右行驶”，分别表示智能体处于“ 图2D展示了主动推理智能体在驾驶任务中所经历的认知冲突程度 。 模拟 2：具有简单元认知控制的主动推理 在这里，我们在图1B所示的主动推理生成模型基础上，增加了一个用于（简单）元认知控制层级 的回路，见图3。 模拟 2 的结果 在此部分，我们使用带有（简单）元认知控制 的主动推理模型来模拟驾驶任务。模拟结果如图4所示。
14610编辑于 2026-03-11 - 来自专栏点云PCL
SLAM综述(2)-视觉SLAM
事件摄像机的示例是动态视觉传感器[10]，动态线传感器[11]，动态和动态主动像素视觉传感器[12]和基于异步时间的图像传感器[13]。 视觉传感器的产品和公司 •Microsoft：Kinectc v1（结构化轻型），Kinect v2（TOF）， Azure Kinect（带有麦克风和IMU）。 ? •英特尔：200系列，300系列，模块D400系列， D415（主动红外立体，卷帘快门），D435（主动红外）立体，全局快门），D435i（带IMU的D435）。 ? •DVO：它（RGB-D）提出了一种密集的视觉SLAM方法，一种基于熵的相似度度量用于关键帧选择和基于g2o框架的闭环检测[36]。 •RGBD-SLAM-V2：利用（RGB-D）深度相机即可重建准确的3D密集模型[37]。 •Kintinuous：它（RGB-D）是一种视觉SLAM系统，具有实时全局一致的点和网格重构[38]。
1.9K22发布于 2020-10-26 - 来自专栏CreateAMind
pix2pix视觉景深学习 彩色视频2
v2 解决了大卡车训练不足的问题，精度也提高了。 黑白图： v1 左侧为原始数据， 左上rgb图像；右上是深度图的差值效果， 左下深度图，右下是从rgb由pix2pix预测的深度图； 可以看出来，预测基本准确，边缘部分波动稍微大一些。
29220发布于 2018-07-24 - 来自专栏书山有路勤为径
特征点法视觉里程计（2D-2D）
特征点提取与匹配 经典SLAM模型中以位姿-路标（Landmark）来描述SLAM过程 路标是三维空间中固定不变的点，能够在特定位姿下观测到 数量充足，以实现良好的定位 较好的区分性，以实现数据关联 在视觉 (汉明距离) 加速：快速最近邻居（FLANN） 特征匹配之后，得到特征点之间的对应关系 如果只有两个单目图像，得到2D-2D的关系——对极几何 如果匹配的是帧和地图，得到3D-2D的关系—— PnP 如果匹配的是 RGB-D,得到3D-3D的关系——ICP 2D-2D对极几何 P在两个图像的投影为 ? 5.两侧左乘：t^x_2 = t^Rx_1 6.再一步左乘： ? t^ ? = ? t^ ? 7 . 对极约束 ? t^ ? ? ? ? ? 2D-2D对极几何小结 2D-2D情况下，只知道图像坐标之间的对应关系 当特征点在平面上时，（例如俯视或者仰视），使用H恢复R,t 否则，使用E或F恢复R,t t没有尺度 求得R,t后： 利用三角化计算特征点的
1.3K20发布于 2019-06-15 - 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。 2、依据窗体调整表格 当表格所占内容较多，当前表格又比較小时可用。它能充分利用页面的宽度。或者当须要表格内容显示不要过于拥挤。让表格显得更加清爽，也能够用到它。 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 2、在自己定义功能区中，在窗体下方找到键盘快捷方式-自己定义button并点击。 3、在弹出窗体左側框中找到类别：“表格工具|布局选项卡”，点击。
1.5K20编辑于 2022-07-10 - 来自专栏AiCharm
视觉显著性目标检测综述（2）
Wu等［56］提出的DCN模型将整个网络分为2个阶段，其中分解网络迭代地利用跨任务聚合和跨层聚合模块同时进行显著性、边缘和骨架图的预测，而在合成网络中，使用边缘和骨架信息学习分别定位显著目标的边界和内部
96721编辑于 2023-05-15 - 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。 对block1上的目标检测可以使用视觉特征或指导模式的先验知识来完成，而block2 - 4上的搜索还可以从情景记忆指导中获益。 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
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 java方法 要调用的函数声明如下 public String enc(String str_data) 可以看到这个函数是没有有static关键字的 所以是个对象方法（实例方法） 主动调用有2种方式 //直接获取已有对象 2.类名引用.方法名（参数，...） 2种方式 直接获取内存中已存在的对象（建议使用） 自己创建一个新对象 建议直接获取内存中已经有的对象 调用格式 1.instance.方法名（参数，...） //直接获取已有对象 2.类名引用.方法名（参数，...）
80710编辑于 2025-06-13 - 来自专栏算法进阶
主动学习概述(ActiveLearning)
Awesome Active Learning: https://github.com/baifanxxx/awesome-active-learning Note：前 1、2、3 节都是一些主动学习基础内容 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 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。 在获取过程之前，LADA 考虑 1）选择未标记的数据实例和 2）通过数据增强生成的虚拟数据实例。 九、总结 总而言之，主动学习现在还有很多点可以继续研究，包括但不限于： 1. 从主动学习基本理论和问题出发，完善和改进； 2.
82130编辑于 2023-11-16 - 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。 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。 在FFG中，一个节点可以连接到任意数量的边，但是边的最大度数被限制为2。附录a提供了概率建模和因子图的更详细的回顾。 其他参考 一个框架整合大脑理论2 第一章
33631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
主动推理的跨学科性质和灵活性使该框架成为跨无数用例的实践、理论和互操作工作的理想框架，包括(I)认知神经科学和哲学[1,2,7–27](二)人工智能和人工智能的可解释性[2,4,9,28–34]㈢机器人技术 有关钢筋单元中的项目描述，请参见表A2。输出示例: ●研究论文 ●文献综述和荟萃分析 ●软件和工具 ●分布式促进 ●标准制定和贡献正在进行的计划: ●计算和存储资源。 社区成长和发展 在这里，我们展示了社区增长和发展模型(图2)，该模型基于以下5个核心组件: i.意识。促进和培养对主动推理的认识和使用，并与合作良好的组织和社区发展伙伴关系。 ii.教育。 教育本体论 收集和定义正式本体中主动推理的关键术语，并翻译成10多种语言 表A1。学院提供的教育项目。 研究服务 表A2总结了从2021年至今开展的研究工作。 《主动推理:一个过程》理论。神经计算。2017;29: 1–49.doi:10.1162/NECO_a_00912 2.帕尔T，佩祖洛G，弗里斯顿KJ。主动推理:头脑、大脑、和行为。
62030编辑于 2023-09-28 - 来自专栏云深之无迹
巴塞罗那自治大学.3D视觉课件.2
松山湖 可爱大狗！
22420编辑于 2022-11-29 - 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 - 来自专栏全栈程序员必看
cocos2D-x 3.5 引擎解析之–引用计数（Ref），自己主动释放池（PoolManager），自己主动释放池管理器（ AutoreleasePool）
void release();//降低引用计数一次，假设此时引用计数为零，使用AutoreleasePoolManager释放内存 Ref* autorelease();//把当前对象增加到自己主动释放池中 管理着一个自己主动释放池的vector。採用的是单例模式设计的。也就是说仅仅同意一个PoolManager对象。 bool isObjectInPools(Ref* obj) const;//检查自己主动释放池中是否有obj对象 friend class AutoreleasePool;//设置自己主动释放池为友元类 初始化vector能够包括十个自己主动释放池 ~PoolManager(); void push(AutoreleasePool *pool);//把pool从back增加到vector vector }; 自己主动释放池管理着一个引用计数对象的vector，而且每一个自己主动释放池有自己的名字 #include <CCAutoreleasePool.h> class CC_DLL
50010编辑于 2022-07-07
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