- 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
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。 本文采用了与 DAGGER [4] 相似的交互式训练方式，也就是让学生采取自身当前策略与环境主动交互收集样本，同时教师模型实时提供建议动作用于模型优化。 进而，可以轻松复现第一阶段训练过程中出现的不同难度级别的视觉混淆干扰，形成多智能体课程学习。 图4展示了多智能体跨模态师徒学习框架。图中跟踪器、目标、干扰物分别由蓝色，橙色，灰色表示。? 图4. 多智能体跨模态师徒学习方法框架 3.3 循环注意力机制 除了训练机制的改进，本文还进一步改进了端到端主动跟踪模型，引入了循环注意力机制以学习一种时空连续的状态表示。 4 本文实验 本章将在 UnrealCV 近真实虚拟环境中开展实验。 首先，在一个背景纯净但存在大量移动干扰物的房间中证明了本章提出的跟踪器在抗视觉混淆能力上能够明显优于基准方法。
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 - 来自专栏流川疯编写程序的艺术
机器视觉4——光的偏振
回顾《机器视觉3——电磁波》，我们了解到，光波，即电磁波的传播符合波动方程，本质上是一个正弦波。如下图。 从上图，可以看出，光波沿Y轴上下振动，而波的传播方向，沿Z轴传播。
1.1K21发布于 2020-02-26 - 来自专栏点云PCL
SLAM综述(4)激光与视觉融合SLAM
第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。 第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以及未来。 第四部分中，将介绍激光雷达与视觉的融合。 激光雷达和视觉SLAM系统 说到激光雷达和视觉SLAM系统，必不可少的是两者之间的标定工作。 IMU-TK[3][4]还可以对IMU的内部参数进行校准。 论文[5]提出了一种用于单目VIO的端到端网络，融合了来自摄像机和IMU的数据。 ? [4] A. Pretto and G. Grisetti. Calibration and performance evaluation of low-cost imus. In Proc. of: 20th IMEKO TC4 International Symposium, pages 429–434, 2014. 【5】] Changhao Chen, Stefano
5.4K31发布于 2020-06-12 - 来自专栏ZackSock
【计算机视觉处理4】色彩空间转换
【计算机视觉处理4】色彩空间转换 1、图层操作 在第2篇中提到过，如果是二值图片（黑白图）或者灰度图片，一个像素需要一个8位二进制来表示。而对于彩色图像，一个像素则需要用3个8位二进制来表示。 而HSV色彩空间是一种符合人类视觉感知的模型，这种色彩空间会用色调（Hue，也称为色相）、饱和度（Saturation）、亮度（Value）来表示像素。
1.6K20发布于 2021-01-08 - 来自专栏云深之无迹
巴塞罗那自治大学.3D视觉课件.4
巴塞罗那自治大学，3D视觉课件.1 计算机视觉之三维重建篇.2(摄像机标定) 巴塞罗那自治大学.3D视觉课件.3
50620编辑于 2022-11-29 - 来自专栏CreateAMind
4个视觉符号推理数据集超简介
//github.com/xyang23/CLEVRER-Humans1.0 https://sites.google.com/stanford.edu/clevrer-humans/home 4
59730编辑于 2023-02-14 - 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 4、在右側框中找到命令：AutoFitContent(或AutoFitWindow)。 5、点击请按快捷键输入框，输入快捷键，比如：Ctrl+F。 6、保存。点“指定”button。
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。 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。 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。 3D环境是基于UE4和UnrealCV[3]构建的虚拟环境。
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。 ? 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。 3D环境是基于UE4和UnrealCV[3]构建的虚拟环境。
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AIoT技术交流、分享
LabVIEW图像特征与机器视觉概念（理论篇—4）
为了能减少计算量并提高系统的实时性，几乎所有机器视觉系统对目标的识别、分类及检测都基于从图像中提取的各种特征来进行。 特征提取和特征选择的结果是否有效，直接决定着机器视觉系统进行机器决策的成败。 机器视觉系统开发过程中常见的特征包括像素灰度、边缘、轮廓和形状、纹理、角点、色彩以及各种与图像颗粒相关的属性等，如下图所示： ?
47330发布于 2021-08-10 - 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 str_ret = obj.enc(str_data)； }); console.log("enc result: " + str_ret); return str_ret; } 4. www.jianshu.com/p/f79a76463565 Frida日常使用总结：http://www.juziss.cn/2020/11/14/Frida%E6%97%A5%E5%B8%B8%E4% E7%94%A8%E6%80%BB%E7%BB%93/ github代码：https://github.com/Miscf/meiTuan 其它阅读： https://jmsliu.cn/tech/%E4% BD%BF%E7%94%A8frida%E5%AE%9E%E7%8E%B0%E5%86%85%E5%AD%98%E6%B3%A8%E5%85%A5%E4%B8%BB%E5%8A%A8%E8%B0%83%
80710编辑于 2025-06-13 - 来自专栏电子用芯说
玩转FPGA边缘视觉——4k视频图像抓取
随着现代图像及视频处理技术的不断发展，人们对图像处理提出了新的要求，最近几年，图像的分辨率和扫描频率都有了较大范围的提升，1080P分辨率的视频已经非常流行，2K甚至4K分辨率的图像也在火热发展中。 下面以米尔VECP边缘视觉套件作为图像处理的硬件平台，带你玩转FPGA之视频图像抓取。 FPGA功能描述图示： MYD-CZU3EG-ISP 提供4K分辨率的摄像头功能，同时输出4K分辨率的图像显示到图像输出接口，下面带一起来体验FPGA的图像抓取和图像显示的操作和应用。 （具体文件路径请看板卡配套资料） 二、操作过程 （1）将开发板的启动模式switch 开关SW1 的1 拨到OFF，2 拨到ON，3拨到OFF，4 拨到ON，设置成TF 卡启动模式； （2） VECP边缘视觉套件简介 MYD-CZU3EG开发板由MYC-CZU3EG核心板加MYB-CZU3EG-C-ISP底板组成。
1.9K40发布于 2020-05-11 太能打了：小卡也能跑的视觉模型！Gemma 4 本地视觉实测，截图转HTML
本文是对谷歌最新发布的 Gemma 4 开源模型进行测试，验证了其在视觉理解和代码生成方面的能力，并与千问进行了对比测试。 Gemma 4 的视觉能力，我还用同样的 Prompt 和截图，在千问（Qwen 3.5 27B）上进行了对比测试。 4.5 Gemma 4 的其他几个小模型 这里我也测试了 Gemma 4 的其他几个小模型（E2B、E4B），它们的视觉能力和速度表现都不如 26B A4B 版本，尤其是 E 系列的小模型，虽然支持音频输入 当然，这样不难解释，毕竟小模型的视觉编码器参数量更少，E2B 和 E4B 的视觉编码器参数量只有约 1.5 亿，而 26B A4B 的视觉编码器参数量约 5.5 亿，这个差距可能就是导致它们在视觉任务上表现不佳的主要原因了 总结 总的来说，Gemma 4 的视觉能力确实非常强大，尤其是 26B A4B 版本，在本地运行的情况下，能够实现非常高质量的视觉理解和代码生成。
62310编辑于 2026-04-14- 来自专栏算法进阶
主动学习概述(ActiveLearning)
，也有很多文章做过类似的整理和介绍，如果你已经很了解了，可以直接跳到 4 节以后阅读。 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。 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 应用到新的背景和任务（和主动学习结合的 paper 少的）中，例如点云分类分割、医疗图像、目标检测等等。 4. ......
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 3.声学模型和AIDA中的推理在第4节中详细阐述，并且它们的操作通过第5节中的代表性实验单独验证。此外，所有元素都通过第5.4节中的演示应用程序进行了联合验证。 参数u由AIDA基于从输入信号中推断的上下文c和来自环路中用户的评估r主动优化。所有单独的子系统都代表第3节中描述的概率生成模型的一部分，其中相应的算法来自于在第4节中描述的这些模型中执行概率推理。 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。 在该模型中，助听器算法遵循执行概率推理，这将在第4节中讨:论。助听器算法的一部分是推断当前声学环境的机制。在第3.2节中，我们介绍了用于推断新参数试验的代理AIDA的模型。
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
主动推理将这种趋势视为基本过程，能够对包括人类在内的各种认知主体的感知和行为进行建模[4–6]。 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 在最近一年(2022年)，总共1，772，674篇出版物中有103篇引用了“主动推理”。 图4。从该研究所的名册中出现或被邀请加入直播的人的附属机构中收集关键字。 2023;25: 964.doi:10.3390/e25070964 4.赛义德N，球PJ，帕尔T，弗里斯顿KJ。主动推理:去神秘化和比较。神经的计算机。2019.第674-712页。 强化学习还是主动推理？公共科学图书馆一号。2009;4: e6421。
62030编辑于 2023-09-28
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