Search Results A

「より効率的に歴史データを保存する方法」

「情報を失うことなく、処理時間とデータストレージの使用量を削減するために、PySparkを使用してデータの最大99.9%を削除するハンズオンチュートリアル」

「Pythonを使ったメールの自動化」

この記事では、Pythonを使用してメールの送信を自動化する方法をステップバイステップで解説しています送信するメールの件名と本文には受信者の名前が含まれており、私たちは…

OpenCVを使用したカメラキャリブレーション

カメラは、3Dの世界を2Dのイメージに変換するデバイスですカメラは、軸の歪みや焦点距離などの一連の固有パラメータに基づいてしばしば分類されます...

「仕事の未来：スキルアップしないと取り残される」

AIの仕事への二重の影響、再スキル化の重要性、および労働者、企業、政府などに関連する倫理的な課題を探求してください

「LLM製品を開発するのは難しい – これが6つの主要な課題です」

∘ 紹介 ∘ チャレンジ1：「AI戦略」の不足 ∘ チャレンジ2：データの制約 ∘ チャレンジ3：プライバシー/セキュリティの懸念 ∘ チャレンジ4：コンテキストウィンドウ ∘ チャレンジ5：プロンプトエンジニアリング ∘…

暗黙のフィードバックデータに対するレコメンダーの構築

「各レコメンドシステムは異なり、その中には他のものよりも簡単に構築できるものもありますNetflixを考えてみましょう彼らは自分たちの映画について詳しく知っており、豊富な個人ユーザーデータと…」

「データサイエンスのデータ管理原則」

「基礎に戻る：データサイエンティストが知っておくべき主要なデータ管理の原則の理解」

SQL

QCNet（キューシーネット）：高度な軌道予測による自律型車両の安全性革命化

普通の車から電気自動車への大規模な変革が行われています。現在、これは自動運転車と呼ばれるより高度な自動車に変わっています。これは、人工知能と機械学習の高度な学習アルゴリズムの支援を受けて行われています。香港城市大学の研究者は、自動運転車用の新しいAIシステムを開発しました。このモデルは、近くの歩行者がいるかどうかを予測することもでき、また近くの車両や歩行者が正確にどこへ行くかも予測します。さらに、これにより自動運転車が安全になります。研究者はまた、これらの予測を正確に行うことが非常に重要であると述べており、予測のわずかな変化でもより悪い事故を引き起こす可能性があると述べています。既存のソリューションの問題は、正確な予測を提供することができないということです。この問題を解決するために、研究チームはQCNetと呼ばれる画期的なAIシステムを開発しました。これにより、自動運転車の車両および歩行者の動きの予測が改善されます。このモデルはリアルタイムで動作し、既存のモデルの限界も提供します。これは相対的な時空間位置の概念に基づいています。これらの特性により、交通ルールや他の人々との相互作用を理解することができます。これにより、マップに準拠し、衝突を回避する未来の軌跡を予測することも可能です。モデルの評価には、Agroverse1とAgroverse2などの大規模なデータセットが使用されました。これらのデータセットには、さまざまなアメリカの都市からの大量の自律走行データと高精細マップが含まれています。これらのデータセットは、行動予測のための厳しいベンチマークとも呼ばれています。研究では、モデルをテストし、速度と正確さの両方が非常に良いことがわかりました。テストはAgroverse 1とAgroverse 2の平均で行われました。モデルはいくつかの予測に6秒以上かかりましたが、予測は正確でした。道路利用者とマップポリゴンの数が多い複雑な交通分析では、モデルの正確性は約85％でした。研究者はまだこのモデルを人間の行動の予測に適用することに取り組んでおり、その効率性を判断することもあります。このプロセス全体は、画像処理およびコンピュータビジョンのカテゴリに属しています。研究者は、モデルには予測と自動運転の効率性に関連する問題がまだあると述べており、ハイパーパラメータのテストによりさらに改善されるとしています。これは自動車の歴史で最も重要な研究の一つでした。

コーネル大学とテルアビブ大学の研究者が、ドッペルゲンガーを紹介します：似た構造の画像を区別するための学習

上記の画像を見てください。違いがわかりますか？まるで双子のように区別するのは難しいですね。もしかして、髪の毛がわずかに短いのかもしれません。でも本当にそうなのでしょうか？コンピュータビジョンシステムの世界でも同様の問題が発生します。この研究は、3D再構築などの幾何学的ビジョンタスクに焦点を当てており、これらの手法は頻繁に、2つの画像が現実世界の同一の3D表面を描いているのか、酷似しているが異なる2つの3D表面を描いているのかを識別するという課題に直面します。この誤った判断は、誤った3Dモデルを生じる可能性があります。このタスクは「視覚の曖昧さ解消」と呼ばれています。コーネル大学の研究者による提案された解決策は、新しいデータセット「Doppelgangers」の作成です。このデータセットには、同じ表面を表す画像のペア（陽性）または2つの異なるが視覚的に似ている表面（陰性）のペアが含まれています。Doppelgangersデータセットの構築は困難な課題であり、人間でさえも同じ画像と似た画像を区別するのに苦労することがあります。このアプローチは、Wikimedia Commonsの画像データベースから既存の画像注釈を活用して、大量のラベル付き画像ペアを自動生成することに依存しています。上記の画像の貢献は以下の通りです： (a) 画像のペアが与えられた場合、特徴マッチングの手法を適用してキーポイントとマッチングを抽出します。特に、この特定のシナリオでは、画像はアーク・ド・トリオンフの反対側を示す負のペア（ドッペルゲンガー）を表していることに注目することが重要です。特徴マッチングは、繰り返し要素で特徴づけられる上部セグメントに主に集中しており、彫刻がある下部セクションとは対照的です。 (b) キーポイントとマッチングのためのバイナリマスクが作成されます。その後、画像のペアとマスクは、同定されたマッチングに基づいて決定されるアフィン変換を用いてアラインメントされます。 (c) このコンテキストで使用される分類器は、画像とバイナリマスクの連結を入力とし、出力確率を生成します。この確率は、与えられたペアが陽性のマッチである可能性を示すものです。ただし、これらの生の画像ペアを直接ディープネットワークモデルでトレーニングすると、満足のいく結果が得られないことが観察されました。この問題に対処するために、特殊なネットワークアーキテクチャが設計されました。このネットワークは、局所特徴と2D対応の形で貴重な情報を取り入れ、視覚の曖昧さ解消タスクのパフォーマンスを向上させる役割を果たします。 Doppelgangersのテストセットを使用した評価では、この提案手法は複雑な曖昧さ解消タスクにおいて印象的なパフォーマンスを示しています。ベースラインの手法や代替ネットワーク設計を大きく上回っています。さらに、この学習済みの分類器を、COLMAPなどの構造から動作するシーングラフ計算における簡単な前処理フィルタとしての有用性も調査されています。全体的に、これらの研究結果は、3D再構築や視覚の曖昧さ解消に関連するタスクにおいて、このアプローチがコンピュータビジョンシステムの信頼性と精度を向上させる潜在能力を示しています。この研究は、正確な表面認識と再構築を必要とする現実のシナリオにおいて、コンピュータビジョンの分野に貴重な洞察とツールを提供しています。

「パーソナルロボットによる生活の快適化」

メディアラボの研究科学者、シャリファ・アルゴウィネムは、英語とアラビア語で感情を説明する個人用ロボット技術を探求しています

Learn more about Search Results A - Page 662