- 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。 5. 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。 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。 对于主动目标跟踪任务，智能体间的相对位姿（位置和方向）可以视作环境状态真值。在训练过程中，智能体间每进行 5 万次交互后，目标物和干扰物的策略参数都将被拷贝存储。 图5. 目标与干扰者联合对抗DiMP跟踪器产生的行为 目标与干扰者联合对抗ATOM跟踪器产生的行为 目标与干扰者联合对抗AD-VAT跟踪器产生的行为 5 总 结 本文提出了一种多智能体混合博弈机制，用于训练提升主动目标跟踪模型抗视觉混淆干扰的能力
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 - 来自专栏专知
【论文推荐】最新5篇图像分割相关论文—条件随机场和深度特征学习、移动端网络、长期视觉定位、主动学习、主动轮廓模型、生成对抗性网络
【导读】专知内容组整理了最近五篇视觉图像分割（Image Segmentation）相关文章，为大家进行介绍，欢迎查看! 1. 期刊：arXiv, 2017年12月27日 网址： http://www.zhuanzhi.ai/document/0d0b73aec22f09677393117c0e5af8d9 2. Long-term Visual Localization using Semantically Segmented Images（基于用语义分割图像的长期视觉定位） ---- ---- 作者：Erik Geometry in Active Learning for Binary and Multi-class Image Segmentation（基于主动学习中几何知识的二元和多类图像分割） ---- 期刊：arXiv, 2018年1月17日 网址： http://www.zhuanzhi.ai/document/a53ced6fa7639528fa3913a8a9bf9c65 5.
1.1K80发布于 2018-04-12 - 来自专栏云计算教程
Zabbix5系列之自动发现与主动注册实战
自动发现由服务端主动发起，Zabbix Server开启发现进程，定时扫描局域网中符合条件的服务器、设备。 主动注册： 自动发现是zabbix server去扫描服务器设备，把符合条件的主机添加到监控Host列表中，主动注册是Active agent主动与zabbix server通信，最后由zabbix server 如果服务器特别多，推荐使用主动注册。 192.168.75.121 HostnameItem=system.hostname HostMetadata="Linux" Include=/etc/zabbix/zabbix_agentd.d/*.conf # 主动注册
80550编辑于 2021-11-27 - 来自专栏一点人工一点智能
小白系列（5）| 计算机视觉：3D立体视觉
01 介绍 本文中，我们将讨论立体视觉，这是一种使用两个或多个摄像机来生成全视场三维测量的机器视觉技术。 02 什么是立体（3D）视觉？ 计算机立体视觉是从二维图像中提取三维信息的过程，例如由CCD相机产生的图像。它结合每个视角中物体的相对位置，来融合多个视角的数据。因此，我们在高级驾驶辅助系统和机器人导航等应用中使用立体视觉。 这类似于人类视觉的工作原理。我们大脑同时整合来自两只眼睛的图像，从而产生三维视觉： 尽管每只眼睛只产生二维图像，但人脑可以通过结合两个视角并识别它们之间的差异来感知深度。我们称这种能力为立体视觉。 它感知深度和三维形状的能力被称为立体视觉。 04 计算机系统如何实现立体视觉 我们需要估计每个点的深度，从而从二维图像中生成三维图像。 这是在3D计算机图形和计算机视觉中表示场景深度的常见方式。我们可以在上述图像的左下角看到深度图的一个示例。 05 立体视觉的几何基础 对极几何是立体视觉的几何学基础。
1.6K50编辑于 2023-09-04 - 来自专栏一点人工一点智能
小白系列（5）| 计算机视觉：3D立体视觉
作者：DrMax 编辑：东岸因为@一点人工一点智能 01 介绍 本文中，我们将讨论立体视觉，这是一种使用两个或多个摄像机来生成全视场三维测量的机器视觉技术。 02 什么是立体（3D）视觉？ 计算机立体视觉是从二维图像中提取三维信息的过程，例如由CCD相机产生的图像。它结合每个视角中物体的相对位置，来融合多个视角的数据。因此，我们在高级驾驶辅助系统和机器人导航等应用中使用立体视觉。 这类似于人类视觉的工作原理。我们大脑同时整合来自两只眼睛的图像，从而产生三维视觉： 尽管每只眼睛只产生二维图像，但人脑可以通过结合两个视角并识别它们之间的差异来感知深度。我们称这种能力为立体视觉。 它感知深度和三维形状的能力被称为立体视觉。 04 计算机系统如何实现立体视觉 我们需要估计每个点的深度，从而从二维图像中生成三维图像。 这是在3D计算机图形和计算机视觉中表示场景深度的常见方式。我们可以在上述图像的左下角看到深度图的一个示例。 05 立体视觉的几何基础 对极几何是立体视觉的几何学基础。
87530编辑于 2023-09-08 - 来自专栏ZackSock
【计算机视觉处理5】阈值处理
【计算机视觉处理5】阈值处理 1、阈值处理 阈值处理就是设定某个阈值，然后对大于阈值的像素或者小于阈值的像素统一处理的过程。比如下面这个简单的图像： ?
1.5K30发布于 2021-05-18 - 来自专栏信数据得永生
Python OpenCV 计算机视觉：1~5
它们在第 5 章“分隔前景/背景区域深度”的整个过程中使用，但在其他各章或附录中未使用。 在撰写本文时，OpenCV 2.4.3 是最新版本。 在某些操作系统上，设置早期版本（2.3.1）更容易。 让我们在filters.py中实现这种方法： def strokeEdges(src, dst, blurKsize = 7, edgeKsize = 5): if blurKsize >= 3 使用网络摄像头，我发现7的blurKsize值和5的edgeKsize值看起来最好。 不幸的是，medianBlur()与像7这样的大型ksize一样昂贵。 您现在具备使用 OpenCV 在 Python 中开发计算机视觉应用的技能。 尽管如此，总会有更多的东西要学习和做！ 希望您能够将本书及其代码库用作奖励计算机视觉工作的起点。 让我知道您接下来要学习或发展的内容！
3.3K20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 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。 做完以上步骤后。
1.5K20编辑于 2022-07-10 - 来自专栏信数据得永生
OpenCV3 和 Qt5 计算机视觉：1~5
因此，要了解计算机视觉的真正含义，最好知道计算机视觉旨在开发方法以实现所提到的理想，使数字设备具有查看和理解周围环境的能力。 此基础应用将在接下来的两章中扩展：第 4 章，“Mat和QImage”和第 5 章，“图形视图框架”，然后在本书的其余部分中使用插件，尤其是在第 6 章，“OpenCV 中的图像处理”之后，我们将开始深入研究计算机视觉主题和 没有适当的工具来查看和播放图像，涉及计算机视觉的应用将一无所获。 本主题和所有相关主题将在第 5 章，“图形视图框架”中介绍。 在第 5 章，“图形视图框架”中，我们将通过引入一个非常强大的类QGraphicsScene和图形视图框架来完成 Qt 和OpenCV中的计算机视觉难题，它可用于以非常灵活的方式查看和操作图像数据。 第 5 章，“图形视图框架”将是进入计算机视觉和图像处理领域的最后一章，因为我们全面的计算机视觉应用将通过最重要的功能之一完成，那就是图像查看器和操纵器，我们将继续学习新的计算机视觉技巧，每次都向其添加新的插件
7.4K20编辑于 2023-04-27 - 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 - 来自专栏信数据得永生
树莓派计算机视觉编程：1~5
一、计算机视觉和 Raspberry Pi 简介 OpenCV 是用于计算机视觉的简单而强大的编程框架。 计算机视觉领域的新手和专家都喜欢它。 计算机视觉意味着模仿生物（即人类和非人类）视觉。 大多数计算机视觉系统的最终目标是从静止图像和视频（包括预先录制的视频和实时提要）中提取有用的信息，以用于决策。 生物视觉系统的工作方式与此类似。 另外，与生物视觉不同，计算机视觉还可以从生物实体不可见的可见光谱中获取图像并进行处理，例如红外图像和深度图像。 计算机视觉还涉及领域，该领域从捕获的图像和视频中提取信息。 2016 年 5 月，英特尔收购了 Itseez。 注意： 有必要在 RPi 的处理器上安装主动冷却的散热器和风扇以使其超频。 对任何处理器进行超频而没有足够的冷却可能会损坏它。 我们可以对 RPi 板的 CPU，GPU 和 RAM 超频。
9.8K20编辑于 2023-04-27 - 来自专栏DDD
主动GC,需要吗
并发重置状态等待下次CMS的触发(CMS-concurrent-reset)，与用户线程同时运行； 通过 [Times: user=0.96 sys=0.01, real=5.00 secs] 看出STW了5s ,对于一个单台1万QPS的系统来讲，那5s就影响了上万次服务，这显示然达不到高可用的要求 通过对user,sys,real的对比，user+sys的时间远远小于real的值，这种情况说明停顿的时间并不是消耗在 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CreateAMind
Big 5理论、自由能原理和主动推理框架（FEP-AI）
朝向理解个体及其个性的方向：探讨控制论Big 5理论、自由能原理和主动推理框架（FEP-AI） 摘要 在这里，我们回顾了最近的研究，试图将自由能原理和主动推理（FEP-AI）框架的第一原理形式主义与最近提出的一种综合模型相结合 关键词：个性，控制论Big 5理论（CB5T），自由能原理和主动推理（FEP-AI）框架。 1 引言 随着人工智能模型的不断发展，我们发现自己面临着新的机遇和挑战。 FEP范式内的工作在主动推理（AI）中产生了行为的规范模型，以描述最小化自由能的过程[26]。 感知和行动作为主动推理。 Fig. 2. Internal and external attunement as active inference图2. 内在和外在协调作为主动推理。 5 心理整合、正念和幸福感 FEP-AI和CB5T都强调了为实现复杂目标而进行分层组织的重要性。然而，对复杂/远距目标的稳定追求可能取决于层次主动推理的完整性[97]。
55610编辑于 2024-01-23 - 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 直接获取内存中已经有的对象 自己 创建（new）一个 好 下面演示一下5种方式的具体调用代码 1. frida主动调用类方法(java静态方法)代码 要调用的函数声明如下 public static ：https://www.jianshu.com/p/a3d5d93eb91a frida rpc远程调用：https://www.jianshu.com/p/20cbe6f89565 frida主动调用方法视频 //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%E7%94%A8%E5%87%BD%E6%95%B0.html
80710编辑于 2025-06-13 - 来自专栏信数据得永生
Qt5 和 OpenCV4 计算机视觉项目：1~5
OpenCV（开源计算机视觉）是一个实现几乎所有计算机视觉方法和算法的库。 在许多受益于计算机视觉技术的行业中，这两个功能强大的库被许多开发人员一起使用，以创建具有可靠 GUI 的专业软件。 在本书中，我们将演示如何使用 Qt 5 和 OpenCV 4 构建这些类型的功能应用，它们具有友好的图形用户界面以及与计算机视觉技术相关的多种功能。 OpenCV 是一组库，工具和模块，包含构建计算机视觉应用所需的类和函数。 可以在其官方网站的发布页面上找到其发布文件。 额外的模块包括默认情况下未包含在 OpenCV 库中的所有 OpenCV 功能，并且它们大多包含其他与计算机视觉相关的功能。
7.4K10编辑于 2023-04-27 - 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
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