本文经自动驾驶之心公众号授权转载，转载请联系出处。写在前面&笔者的个人理解3DGaussianSplatting（3D-GS）已成为计算机图形学领域的一个重大进步，它提供了明确的场景表示和新颖的视图合成，而不依赖于神经网络，如神经辐射场（NeRF）。这项技术在机器人、城市地图、自主导航和虚拟现实/增强现实等领域有着不同的应用。鉴于3DGaussianSplatting的日益流行和研究的不断扩展，本文对过去一年的相关论文进行了全面的综述。我们根据特征和应用对分类法进行了调查，介绍了3DGaussianSplatting的理论基础。我们通过这项调查的目标是让新的研究人员熟悉3DGaussianSp
融合算法前言一、概念二、原理三、融合的先决条件四、融合分类4.1、前融合和后融合4.2、数据级融合、特征级融合和决策级融合五、典型融合算法多传感器信息融合（Multi-sensorInformationFusion,MSIF）：利用计算机技术将来自多传感器或多源的信息和数据再一定准则下进行分析和综合，以完成所需的决策和估计而进行的信息处理过程，简而言之用于包含处于不同位置的多个或多种传感器的信息处理技术。前言多传感器融合的必要性：主要是扬长避短、冗余设计，提高整车安全系数。多传感器融合系统所实现的功能要远超这些独立系统能够实现的功能总和。使用不同的传感器种类可以在某一种传感器全都出现故障的环境
导言 随着人工智能领域的不断发展，对比学习、迁移学习和知识蒸馏等研究方向成为热门话题。本文将全面探讨这些前沿研究的发展、面临的问题、解决过程，以及未来可能的研究趋势。1.对比学习的发展与挑战 1.1发展历程 演化：对比学习从最初的基础形式逐渐演变为更加复杂和高效的形式。算法创新：新的对比学习算法的不断涌现，如Siamese网络、TripletLoss等。1.2挑战与问题 样本不平衡：大多数真实场景下的对比学习任务中存在样本不平衡问题，如何解决仍然是一大难题。泛化能力：对比学习在泛化到未知数据上的能力仍有待提高。2.迁移学习的前
在上一个关于3D目标的任务，是基于普通CNN网络的3D分类任务。在这个任务中，分类数据采用的是CT结节的LIDC-IDRI数据集，其中对结节的良恶性、毛刺、分叶征等等特征进行了各自的等级分类。感兴趣的可以直接点击下方的链接，直达学习：【3D图像分类】基于Pytorch的3D立体图像分类1（基础篇）【3D图像分类】基于Pytorch的3D立体图像分类2（数据增强篇）在开始本次关于3D目标的分割任务前呢，我还是建议先去看看上述较为简单的分类任务，毕竟大多数是相似的，有很高的借鉴意义。一、导言准备一个训练，需要下面这些内容组成：准备数据准备网络搭建训练主模型trainoneepochvalidone
本文旨在对自己的研究方向做一些记录，方便日后自己回顾。论文里面有关其他方向的讲解读者自行阅读。参考论文：自动驾驶车辆运动规划方法综述1摘要规划决策模块中的运动规划环节负责生成车辆的局部运动轨迹，决定车辆行驶质量的决定因素未来关注的重点：（1）精准建模描述车辆的运动过程（2）清晰地描述环境情况（3）完成算法地容错冗余设计（4）简化求解难度以及如何保障算法的泛化求解能力2车辆运动规划的概念车辆运动规划：指生成衔接车辆起点与终点的几何路径，同时给出车辆沿该路径运动的速度信息，并使车辆在整个运动过程中满足运动学/动力学约束、碰撞躲避约束以及其他源自内部系统或外部环境的时间和/或空间约束条件。路径规划仅
摘要许多研究者在过去的几十年间都在致力于自动作文评分和简答题打分，但是通过像与提示之间的内容的相关性、思想的发展性、文章内聚力、文章连贯性等来评估一篇文章，到目前为止都是一项挑战。很少的研究者聚焦于基于内容的评分，他们中的大多数都强调基于风格的评分。我们观察到在内容和连贯性（coherence）方面对于文章评分的研究还没有完善。研究方法我们用PICOC准则来构建此研究问题的框架。P（Population）学生文章与问答题评估系统；I（Intervention）评估技术，数据集，特征抽取方法；C（Comparison）不同方法和结果的对比；O（Outcomes）评估AES系统的准确度；C（Con
DeepLearningBased3DSegmentation:ASurveyABSTRACT 三维分割是计算机视觉领域的一个基本而具有挑战性的问题，可应用于自动驾驶、机器人、增强现实和医学图像分析。它受到了计算机视觉、图形学和机器学习界的极大关注。传统的三维分割方法基于手工创建的特征和机器学习分类器，缺乏泛化能力。在二维计算机视觉领域取得成功的推动下，深度学习技术最近已成为三维分割任务的首选工具。这导致文献中出现了大量在不同基准数据集上进行评估的方法。虽然存在关于RGB-D和点云分割的调查论文，但缺乏涵盖所有三维数据模式和应用领域的深入的最新调查。本文填补了这一空白，对基于深度
文章目录1.OCR算法流程1.1传统OCR方法1.2深度学习OCR方法1.2.1two-stage方法：文字检测+识别1.2.2端到端方法2.文本检测算法3.文本识别算法3.1基于分割的单字符识别方法3.2基于序列标注的文本行识别方法1.OCR算法流程OCR(OpticalCharacterRecognition,光学字符识别)是指提取图像中的文字信息。1.1传统OCR方法传统OCR方法一般包含预处理、版面处理、字符切分、字符识别、后处理等五个步骤：传统ORC方法的缺点有：预处理和版面分析都是基于传统图像处理方法以及人工定义的规则，通常是基于固定场景开发的，无法迁移到其它场景中，应用范围有限。
深度学习中的后门攻击综述1.深度学习模型三种攻击范式1.1.对抗样本攻击1.2.数据投毒攻击1.3.后门攻击2.后门攻击特点3.常用术语和标记4.常用评估指标5.攻击设置5.1.触发器5.1.1.触发器属性5.1.2.触发器类型5.1.3.攻击类型5.2.目标类别5.3.训练方式1.深度学习模型三种攻击范式后门攻击是一种隐秘而具有挑战性的网络安全威胁，它指的是攻击者利用漏洞或特殊访问权限，在系统中植入隐藏的访问通道。这种方法让攻击者能够在未被发现的情况下进入系统，绕过常规的安全控制，潜伏在其中，进行潜在破坏或数据窃取。在这篇博客文章中，我们将深入探讨后门攻击的本质、影响以及防范方法，帮助您了解
论文：ASurveyofTextWatermarkingintheEraofLargeLanguageModels论文链接：https://arxiv.org/abs/2312.07913大模型时代：文本水印新纪元文本水印是一种信息隐藏技术，起源可以追溯到上个世纪90年代。它通过将机密信息（水印）嵌入文本中，实现了在共享水印规则的个体之间进行安全、隐式的消息传递。随着大语言模型（LLMs）的崛起，文本水印技术焕发新生，涌现出多种可能：将现有文本水印算法应用于LLMs？将LLMs运用于文本水印算法设计？将水印直接植入LLMs?特别是随着ChatGPT的出现，文本水印技术更是被推向研究热潮。本综述
