01
2025年06月04日
第一部分 设计概述
1.1 设计目的
近些年随着人工智能技术的发展，深度神经网络算法逐步在星载、机载等遥感数据处理中得到广泛应用，在灾害预警及应急、海洋应用、环境监测、国土资源等方面起到越来越重要的作用，如图 1 所示。但卫星、无人机等需要对遥感 图像进行实时处理的应用场景，都对实现平台具有严格的体积、重量、功耗的限制。而深度神经网络又具有运算复杂度高、存储带宽需求大的特点。在高时效性要求与资源功耗等空间环境的强约束下，通用处理平台难以支撑在轨人工智能 应用的计算需求。这都使得人工智能技术在上述领域应用面临着巨大的挑战。因此亟需开展支持星载、机载人工智能应用的核心硬件与基础软件技术研究。
2025年06月04日
据统计，我国每年交通事故约50万起，因交通肇事死亡人数均超过10万人。人行横道是交通事故频发的地点之一。这主要是因为交通信号灯时间设置固定不灵活、提醒功能有限，以及其他人为因素所导致。
2025年06月04日
图源：unsplash
原文来源：arXiv
作者：Martin Simon、 Stefan Milz、Karl Amende、Horst-Michael Gross
「雷克世界」编译：KABUDA、EVA
基于激光雷达的三维目标检测对于自动驾驶而言是不可避免的选择，因为它与对环境的理解直接相关，从而为预测和运动规划奠定了基础。对于除了自动化车辆之外的许多其他应用领域，例如增强现实、个人机器人或工业自动化，对实时高度稀疏的三维数据进行推断的能力是一个不合适的问题。我们引入了Complex-YOLO，这是一种最先进的仅针对点云（point clouds）的实时三维目标检测网络。在本研究中，我们描述了一个网络，该网络通过一个特定的复杂的回归策略来估计笛卡尔空间（Cartesian space）中的多类三维立方体，从而扩展YOLOv2（一种用于RGB图像的一个快速二维标准目标检测器）。因此，我们提出了一个特定的Euler区域提议网络(Euler-Region-Proposal Network，E-RPN)，通过在回归网络中添加一个虚构的和一个真实的分数来估计目标的姿势。这是在一个封闭的复杂空间中结束的，从而避免了单角度估计的奇异性。E-RPN支持在训练过程中进行良好的泛化。我们在KITTI基准套件上进行的实验表明，我们的性能优于当前领先的三维目标检测方法，尤其在效率方面。我们取得了对汽车、行人和骑车者进行测试的最先进的结果，比最快的竞争者快5倍以上。此外，我们的模型能够同时以高精确度估计所有的8个KITTI类，包括货车、卡车或坐着的行人。
2025年06月04日
还记得我们上篇文章用5行代码实现的物品检测吗？今天我要带你走进YOLOv12的"大脑"，看看这个闪电侠是如何思考的！
2025年06月04日
本文转自新智元 编辑：肖琴、大明
一张贴纸让你在AI面前”隐身“。
来自比利时鲁汶大学 (KU Leuven) 几位研究人员最近的研究发现，借助一张简单打印出来的图案，就可以完美避开 AI 视频监控系统。
研究人员表示，他们设计的图像可以将整个人隐藏起来，不会让计算机视觉系统发现。这项研究在YOLO (v2) 的开源对象识别系统上进行了演示。
如上图所示，AI 系统成功检测到左边的人，而右边的人被忽略了。右边的人身上挂着一块彩色纸板，在论文中被称为 “对抗性补丁”(adversarial patch)，正是这块补丁 “欺骗” 了 AI 系统，让系统无法发现画面中还有一个人。