- 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 - 来自专栏腾讯NEXT学位
9个独特的 CSS 背景视觉效果
其实，借助于CSS和JavaScript的力量，可以创建一些独特的视觉效果，可以使体验更加优雅。 斜切视觉效果 把背景图片进行一定角度的斜切的视觉效果，在最近这段时间已经风靡设计圈了。在之前要实现这样的效果，可能要做很多额外的事情。 渐变动画视觉效果 如果，运用大量背景图片动画，可能会分散用户的注意力。使用渐变颜色的动画，在一些场景下就不会有这样的问题，因为渐变颜色的动画效果非常的微弱，在视觉上不会造成很大的干扰： ? 滚动模糊视觉效果 滚动模糊这种视觉效果也应用的非常广，特别是当你想使用背景图片吸引用户而且还能让用户在滚动的时候阅读图片上文字的时候，就很适合使用它。 滚动改变颜色视觉效果 有时候仅仅是简简单单的改变一下背景的颜色就可以起到四两拨千斤的效果。比如下面这个效果，就是通过监听网页滚动的位置来改变背景颜色，简简单单就可以营造一种别样的视觉效果。 ?
2.8K50发布于 2018-05-14 - 来自专栏磐创AI技术团队的专栏
使用skimage处理图像数据的9个技巧｜视觉进阶
事实证明,在计算机视觉领域(图像、视频等等),预处理是一个至关重要的步骤。skimage是scikit-learn家族的一部分,它是一个非常有用的库,可以帮助我们开始学习。 ? 你将在计算机视觉之旅中遇到很多类似这种情况的例子。 因此,在这里,我们可以使用rescale函数并指定缩放比例。该函数基于图像的原始尺寸,所有图像将以此比例缩放。 可以使用具有不同亮度的图像使我们的计算机视觉模型对光照条件的变化具有鲁棒性。 这对于在室外照明下工作的系统(例如,交通信号灯的闭路电视摄像机)非常重要。 9.在skimage中使用滤镜 我们可以使用滤镜(Filters)来修改或增强图像的特征。如果你曾经在社交媒体平台上玩过图像,就会对滤镜非常熟悉。 结尾 祝贺你在计算机视觉领域迈出了第一步!
2.9K60发布于 2019-10-15 - 来自专栏信数据得永生
Python OpenCV3 计算机视觉秘籍：6~9
计算机视觉问题通常需要求解线性方程组。 即使在许多 OpenCV 函数中，这些线性方程也是隐藏的。 可以肯定的是，您将在计算机视觉应用中面对它们。 创建一个FAST检测器并将其应用于图像： fast = cv2.FastFeatureDetector_create(30, True, cv2.FAST_FEATURE_DETECTOR_TYPE_9_ cv2.IMREAD_COLOR) fast = cv2.FastFeatureDetector_create(160, True, cv2.FAST_FEATURE_DETECTOR_TYPE_9_ 该函数非常通用，通常用作许多计算机视觉应用的构建块。 在我们的案例中，我们使用了9x6的棋盘。 我们使用cv2.findChessboardCorners函数找到板的角，将用于相机参数估计。 我们还需要在其本地坐标系中的校准图案点。
3.2K20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Go与云原生
Hugo 网站优化(9): 实时更新与缓存加速兼顾， 使用 Github Action 主动预热 CDN 缓存
Hugo 网站优化(9): 实时更新与缓存加速兼顾， 使用 Github Action 主动预热 CDN 缓存 原文链接: https://tangx.in/posts/2023/01/04/hugo-qcloud-cdn-purge-and-push 于是， 我又盯上了 Github Action 的实现发布文章后主动预热网站， 这样在 CDN 中的缓存配置就更通用了。 以下是文章的元数据信息 --- title: "Hugo 网站优化(9): 预热网站， 使用 Github Action 主动刷新 DNS 缓存" subtitle: "Hugo Qcloud Cdn
3.4K20编辑于 2023-02-25 - 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 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
80710编辑于 2025-06-13 - 来自专栏计算机视觉战队
AI魔幻行为大赏：细数机器视觉的9大应用场景
以下将以9个场景为例，对一些常见的应用场景进行介绍，让读者直观地理解机器视觉都能解决哪些问题。 视频分析技术可用于视频中动态人脸和基础人脸的实时比对，人群密度和不同方向人群流量的分析，智能研判、自动预警重点人员、重点车辆、重点物品在重点时间段出现在重点区域的有效线索，实现基于视频数据的案件串并与动态人员管控，为嫌疑人建立地理画像模型，提高主动防御 ▲图1-6 图片识别应用效果 05 自动驾驶/驾驶辅助 自动驾驶汽车是一种通过计算机实现无人驾驶的智能汽车，它依靠人工智能、机器视觉、雷达、监控装置和全球定位系统协同合作，让计算机可以在没有任何人类主动操作的情况下 驾驶证、银行卡、营业执照、户口本、签证、房产证等证件类文字识别 票据类识别：定额发票、火车票、飞机票、出租车票等票据类文字识别 出版类识别：书籍、报刊等印刷物的识别 实体标识识别：道路指示牌识别（如图1-9） ▲图1-9 文字识别技术的应用场景 09 图像/视频的生成及设计 人工智能技术不仅可以对现有的图片、视频进行分析、编辑，还可以进行再创造。
3.2K21发布于 2019-08-14 - 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。 但是有时候，算法生成的数据无法被 oracle 识别，例如生成的手写字图像太奇怪，oracle 也不能识别它属 于 0~9？或者生成的音频数据不存在语义信息，让 oracle 也无法识别。 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
82130编辑于 2023-11-16 - 来自专栏华章科技
AI魔幻行为大赏：细数机器视觉的9大应用场景
以下将以9个场景为例，对一些常见的应用场景进行介绍，让读者直观地理解机器视觉都能解决哪些问题。 视频分析技术可用于视频中动态人脸和基础人脸的实时比对，人群密度和不同方向人群流量的分析，智能研判、自动预警重点人员、重点车辆、重点物品在重点时间段出现在重点区域的有效线索，实现基于视频数据的案件串并与动态人员管控，为嫌疑人建立地理画像模型，提高主动防御 ▲图1-6 图片识别应用效果 05 自动驾驶/驾驶辅助 自动驾驶汽车是一种通过计算机实现无人驾驶的智能汽车，它依靠人工智能、机器视觉、雷达、监控装置和全球定位系统协同合作，让计算机可以在没有任何人类主动操作的情况下 驾驶证、银行卡、营业执照、户口本、签证、房产证等证件类文字识别 票据类识别：定额发票、火车票、飞机票、出租车票等票据类文字识别 出版类识别：书籍、报刊等印刷物的识别 实体标识识别：道路指示牌识别（如图1-9） ▲图1-9 文字识别技术的应用场景 09 图像/视频的生成及设计 人工智能技术不仅可以对现有的图片、视频进行分析、编辑，还可以进行再创造。
1.4K30发布于 2019-07-24 - 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。
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 主动推理研究所&主动推理生态系统。 研究所的历史 主动推理研究所的起源在于围绕一个共同兴趣的联合创始人团队会议:主动推理框架。这导致了富有成效的合作，并于2020年9月出版了《团队的主动推理和行为工程》[94]。 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。 2023.doi:10.31222/osf.io/9nb3u 118.迈向一个标准的上层本体论。国际会议录信息系统中的形式本体论会议-2001卷。纽约州纽约市，美国:计算机协会；2001.第2-9页。
62030编辑于 2023-09-28 - 来自专栏信数据得永生
Qt5 和 OpenCV4 计算机视觉项目：6~9
Apr 9 15:49 yolov3.weights 准备好这三个文件后，我们可以在应用中加载模型。 在下一章中，我们将讨论如何借助计算机视觉技术来测量它们之间的距离。 问题 尝试这些问题以测试您对本章的了解： 当我们为波士顿公牛队的脸训练级联分类器时，我们自己在每个图像上标注了狗脸。 在下一章中，我们将介绍一种称为 OpenGL 的新技术，并了解如何在 Qt 中使用它以及如何在计算机视觉领域为我们提供帮助。 OpenGL 中的纹理通常是 2D 图像，通常用于向对象（主要是三角形）添加视觉细节。 我希望我们使用 Qt，OpenCV，Tesseract，许多 DNN 模型和 OpenGL 开发的所有项目都能使您更接近计算机视觉世界。
4K30编辑于 2023-04-27 - 来自专栏AI智韵
YoloV9改进策略：BackBone改进：PoolFormer赋能YoloV9，视觉检测性能显著提升的创新尝试
近期，我们大胆尝试将前沿的PoolFormer主干网络引入经典的目标检测框架YoloV9中，这一创新性融合不仅为YoloV9注入了新的活力，更在检测精度与效率上实现了双重飞跃，成为目标检测领域的一股强劲新风 完整链接： https://blog.csdn.net/m0_47867638/article/details/142490183 YoloV9：实时检测的佼佼者 YoloV9，作为Yolo系列检测器的最新成员 融合之美：PoolFormer+YoloV9 本次研究中，我们创新性地将PoolFormer作为主干网络引入YoloV9，通过替换原有的主干结构，实现了对图像特征的高效提取与表征。 进一步地，我们将池化替换为具有可学习参数的深度可分离卷积[9,38]，用于空间建模。 结果发现，由此得出的PoolFormer模型能在不同的视觉任务上取得具有竞争力的性能，这很好地支持了“MetaFormer正是视觉任务所需”的观点。
1K10编辑于 2024-10-22
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