变形者 要添加...

电动汽车大规模接入电网的双层优化调度策略：协同发电机、电动汽车与风力发电的调度计划研究,考虑大规模电动汽车接入电网的双层优化调度策略 中文文献可对照《考虑大规模电动汽车接入电网的双层优化调度策略》，研究了发电机、电动汽车、风力的协同优化计划问题，提出了一种基于输电和配电系统层面的电动汽车充放电计划双层优化调度策略。 在输电网层，以减少发电机组的运行成本、PM2.5 排放量、用户的总充电成本和弃风电量为目标，建立了基于机组最优组合的上层优化调度模型；在配电网层，以降低网损为目标，考虑网络安全约束和电动汽车的空间迁移特性，建立了基于最优潮流的下层优化调度模型。 在基于标准 10 机输电网和 IEEE33 节点配电网的电力系统仿真模型上，对所提的基于双层优化的大规模电动汽车充放电调度策略进行了仿真分析，验证了所提双层优化调度策略的有效性和优越性。 程序包含注释 ,核心关键词： 大规模电动汽车; 双层优化调度策略; 电网接入; 协同优化; 发电机组; 排放量; 充电成本; 弃风量; 输电网层优化调度模型; 配电网层优化调度模型; 网损; 空间迁移特性; 电力系统仿真模型。,《大规模电动汽

数据集由滴滴出行提供，基于D2-City大规模行车记录视频数据集[1]，经过视频抽帧等预处理步骤得到。数据集共包含12,000张图像，每张图像的大小为1080×1920或720×1280，已划分为训练集(10,000张)、验证集(1,000张)、测试集(1,000张)，其中训练集和验证集提供了检测标签，测试集仅提供图像，用于提交后测试模型效果。本数据集共包含12个待检测的物体类别，包括小汽车、公交车、自行车、行人等。 为了方便使用，数据集的标注信息已被预处理成MS-COCO格式，MS-COCO是通用物体检测领域最常用的数据集，如需深入理解数据集格式，请自行学习：MS-COCO数据集官网、MS-COCO数据集文献、MS-COCO标注格式[2]. [1] Che et al. D2-City: A Large-Scale Dashcam Video Dataset of Diverse Traffic Scenarios. arXiv 2019. [2] MS-COCO数据集: [https://cocodataset.org/]

LOKI：智能体轨迹和意图预测的大规模数据集及模型评估 LOKI 数据集是为了解决自动驾驶环境中异构交通代理（行人和车辆）的联合轨迹和意图预测问题而提出的。该数据集包含 RGB 图像和对应的 LiDAR 点云，这些点云具有行人和车辆的详细的逐帧标签。LOKI 数据集允许对代理的未来意图进行显式建模，它还显示了有前途的方向，共同推理的意图和轨迹，同时考虑不同的外部因素，如代理。 智能体轨迹预测是自动驾驶环境中的一项关键任务。然而，目前的研究活动并不直接适用于智能和安全关键系统。这主要是因为非常少的公共数据集是可用的，并且它们仅从受限的自我中心视图考虑针对短时间水平的行人特定意图。为此，我们提出了 LOKI 数据集，旨在解决自动驾驶环境中异构交通代理（行人和车辆）的联合轨迹和意图预测问题。 轨迹预测的最新进展表明，对智能体意图的明确推理是重要的来准确预测它们的运动。然而，目前的研究活动并不直接适用于智能和安全关键系统。这主要是因为非常少的公共数据集是可用的，并且它们仅从受限的自我中心视图考虑针对短时间水平的行人特定意图。 为此，我们提出了 LOKI 数据集，旨在解决自动驾驶环境中异构交通代理（行人和车辆）的联合轨迹和意图预测问题。LOKI 数据集包含 RGB 图像和对应的 LiDAR 点云，这些点云具有行人和车辆的详细的逐帧标签。LOKI 数据集允许对代理的未来意图进行显式建模，它还显示了有前途的方向，共同推理的意图和轨迹，同时考虑不同的外部因素，如代理。 我们的模型是基于轨迹预测和意图预测的联合模型，我们的方法优于国家的最先进的轨迹预测方法高达 27%，也提供了一个基线帧明智的意图估计。我们的方法可以更好地理解智能体的长期目标和短期意图，从而提高轨迹预测的精度。 在过去的几年中，已经有广泛的研究来预测场景中的动态代理的未来轨迹，例如行人和车辆。这对于诸如自主车辆或社交机器人导航之类的安全关键应用来说是一项非常重要且具有挑战性的任务。虽然这些方法在最近几年有了显著的进步，但很少有基准测试专门测试这些模型是否能够准确地推理出关键。 人类行为作为目标导向实体的研究在心理学、神经科学和计算机视觉的子领域中具有悠久而丰富的跨学科历史。人类决策过程本质上是分层的，由几个层次的推理和规划机制组成，这些机制协同工作，以实现各自的短期和长期愿望。最近的研究表明，明确地推理长期目标和短期意图可以帮助实现目标。 在这项工作中，我们建议将异构（车辆，行人等）的任务。多智能体轨迹预测和意图预测。我们认为，明确地推理智能体的长期目标和短期意图是在我们的工作中，我们将目标定义为智能体在给定预测范围内想要达到的最终位置，而意图是指智能体如何实现其目标。 例如，考虑十字路口处的车辆。在最高层次上，说他们想达到他们的最终目标，向左转到他们的最终目标点，这反过来可能是一些更高层次的结束（如回家）所必需的。然而，其轨迹的精确运动受许多因素的影响，包括 i）代理人自己的意愿，ii）社会交互，iii）环境约束，iv）上下文线索。 因此，当推理智能体我们相信，这种复杂的短期意图和长期目标的层次结构是无处不在的，事实上，至关重要的，代理运动规划，因此扩展，运动预测。我们提出了一种架构，其考虑类似于 [9，5，3，4] 的长期目标，但添加了用于调节轨迹预测模块的逐帧意图估计的关键组件。通过强制模型学习代理的离散短期意图，我们观察到预测模块的性能提高。 同样丰富成功的是使用数据集对计算机视觉进行基准测试的当代历史在 MNIST [11] 和 ImageNet [12] 等基准测试等开创性工作的指导下，基准测试进展和从数据中学习在现代深度学习的成功中发挥了关键作用。目前，不存在允许在高度复杂的环境中对异构代理进行明确的逐帧意图预测的公共数据集。尽管很少有数据集被设计用于从自我中心的角度研究行人的意图或行为 [13，7，6，14]，但这是对自动驾驶任务的广泛研究的固有限制。 因此，我们提出了一个联合轨迹和意图预测数据集，该数据集包含 RGB 图像和对应的 LiDAR 点云，这些点云具有行人和车辆的详细的逐帧标签。LOKI 数据集允许对代理的未来意图进行显式建模它还显示了有前途的方向，共同推理的意图和轨迹，同时考虑不同的外部因素，如代理。 我们表明，通过建模的短期意图和长期目标与明确的监督，通过意图标签，可以实现更好的轨迹预测精度。此外，在每一帧预测一个特定的意图为我们的模型增强了模型的泛化能力和鲁棒性。

大规模语言模型从理论到实践

数据集是一个大规模的虹膜图像数据集，由中国科学院自动化研究所（CASIA）创建。该数据集包含来自 1000 名受试者的 20000 幅虹膜图像，每名受试者提供 20 幅图像。这些图像使用IKEMB-100 双眼虹膜相机采集，分辨率为 640×480 像素。数据集的特点：规模大：包含 1000 名受试者的虹膜图像，是首个公开的千人级虹膜数据集。图像质量高：使用先进的 IKEMB-100 相机采集，图像清晰，适合用于虹膜特征提取。多样性丰富：图像中存在多种类内变化，如眼镜佩戴、镜面反射等，增加了数据集的复杂性和实用性。虹膜识别算法研究：可用于开发和验证虹膜识别算法，包括图像预处理、特征提取、特征匹配等。分类与索引方法开发：适合用于研究虹膜特征的独特性，开发新的分类和索引方法。机器学习与深度学习：为深度学习模型（如卷积神经网络）提供丰富的训练数据，提升模型的准确性和鲁棒性。数据集为虹膜识别研究提供了宝贵的资源，帮助研究者深入探究虹膜特征的独特性和多样性，推动虹膜识别技术在生物特征识别领域的应用和发展。

文件名：MapMagic 2 Bundle v2.1.14.unitypackage MapMagic 2 Bundle 是一个强大且灵活的Unity插件，用于生成和管理大型、动态的地形和游戏世界。它特别适合那些需要在运行时生成无限或大规模地形的项目，如开放世界游戏、MMORPG、模拟游戏等。以下是对MapMagic 2 Bundle主要功能的介绍： 1. 节点式地形生成器 MapMagic 2 使用节点（Nodes）系统来创建地形。通过将不同的节点组合起来，开发者可以生成各种高度图、纹理、物体分布、草地、植被、建筑等元素。每个节点都可以定义一部分地形特性，比如噪声图、平滑度、地形坡度等，极大提升了生成地形的可定制性。 2. 无限地形生成 MapMagic 2 支持在游戏运行时无限地生成地形。玩家可以在一个看似无尽的世界中探索，地形会根据玩家的视野动态加载和卸载。这对于开放世界类型的游戏来说非常有用，能够减少内存占用并优化性能。 3. 多线程和性能优化 为确保在大型场景中保持流畅的运行，MapMagic 2 支持多线程地形生成。这意味着可以在后台生成地形......

Learning-based methods are believed to work well for unconstrained gaze estimation, i.e. gaze estimation from a monocular RGB camera without assumptions regarding user, environment, or camera. However, current gaze datasets were collected under laboratory conditions and methods were not evaluated across multiple datasets. Our work makes three contributions towards addressing these limitations. First, we present the MPIIGaze dataset, which contains 213,659 full face images and corresponding ground-truth gaze positions collected from 15 users during everyday laptop use over several months. An experience sampling approach ensured continuous gaze and head poses and realistic variation in eye appearance and illumination. To facilitate cross-dataset evaluations, 37,667 images were manually annotated with eye corners, mouth corners, and pupil centres. Second, we present an extensive evaluation of state-of-the-art gaze estimation methods on three current datasets, including MPIIGaze. We study key challenges including target gaze range, illumination conditions, and facial appearance variation. We show that image resolution and the use of both eyes affect gaze estimation performance, while head pose and pupil centre information are less informative. Finally, we propose GazeNet, the first deep appearance-based gaze estimation method. GazeNet improves on the state of the art by 22% (from a mean error of 13.9 degrees to 10.8 degrees) for the most challenging cross-dataset evaluation

内容概要：本文详细介绍了街景主观感知模型的训练与大规模预测方法。首先，文章阐述了街景主观感知模型的基本概念及其重要性，强调了‘beautiful’和‘safer’等主观感知维度。接着，文中提到使用自定义数据集（420张图片）进行模型训练的基础，确保数据集的质量和丰富性。然后，文章对多个深度学习模型（如ResNet50、ResNet101、EfficientNet等）进行了对比训练，记录并分析了各模型的表现。最终，通过大量训练和优化，模型在测试集上取得了0.89的高精度。此外，文章还讨论了如何利用训练好的模型进行大规模预测，为城市规划和改造提供有价值的数据支持。 适合人群：从事计算机视觉领域的研究人员和技术人员，尤其是对街景感知模型感兴趣的从业者。 使用场景及目标：适用于希望深入了解街景主观感知模型训练和预测的研究人员，旨在帮助他们掌握多模型对比的方法，提升模型精度，应用于实际的城市规划和改造项目。 其他说明：文章不仅提供了理论指导，还分享了具体的实践经验，使读者能够在实践中更好地理解和应用相关技术。

大规模图数据划分算法是处理大规模图数据的重要技术手段，随着大数据时代的到来，图数据的规模越来越庞大，如何高效地处理这些数据成为了研究热点。本文综述了大规模图数据划分算法，包括并行环境下图计算模型以及大规模静态图划分算法和动态图划分算法。下面详细探讨这些算法的核心知识点。 1. 并行环境下图计算模型 在并行计算环境中，图计算模型是分析和处理大规模图数据的基础。其中， Bulk Synchronous Parallel (BSP) 模型和 MapReduce 是常用的两种模型。 - BSP模型：定义了并行计算的一个同步周期，每个周期包括局部计算、全局通信和屏障同步三个阶段。BSP模型适用于需要大规模并行计算的图处理问题。 - MapReduce模型：由Google提出，分为Map和Reduce两个阶段。Map阶段处理输入数据，产生中间结果；Reduce阶段对中间结果进行合并。MapReduce模型易于理解，可扩展性好，适合于各种图计算任务。 2. 静态图划分算法 静态图划分是将图预先划分为若干个子图，以适应不同的计算任务。常用的静态图划分算法如下： - 散列划分：利用散列函数将顶点随机分配到各个分区中。简单快速，但容易造成划分不平衡。 - BHP算法：根据顶点的连接情况，采用贪心策略划分图数据，目的是最小化不同分区间的边数。 - 静态Mizan算法：类似于BHP，但提供了迭代优化过程，以达到更好的负载均衡。 - BLP算法：基于块划分的图划分算法，能够考虑图的局部性，平衡划分质量与计算复杂度。 3. 动态图划分算法 动态图划分是指在图结构发生变化时能够适应变化并重新划分图数据的算法。动态图划分算法包括： - 动态Mizan算法：扩展了静态Mizan算法，能够处理图边的动态变化。 - xDGP算法：主要处理稀疏图的动态划分，提高了算法的可扩展性和实时性。 4. 算法的优缺点与适应性 - 优点：有效的图划分能够减少通信开销、提升并行效率，使得原本无法处理的大规模图数据得以分布式计算。 - 缺点：静态划分算法在面对大规模、高度不均匀的数据时效率较低，动态划分算法的计算复杂度较高。 - 适应性：不同的算法适应于不同的图结构和应用场景。比如，对于大规模社交网络图，需要选择能够适应幂律分布的高效划分策略。 5. 研究课题的未来探索方向 尽管已有算法在理论和实践中取得了一定成就，但仍存在以下有意义的探索方向： - 实现高效的大规模图划分算法，减少计算复杂度和存储需求。 - 针对不同图结构特征，研究并开发能够自适应的图划分策略。 - 考虑实际应用中图数据的动态变化，设计更灵活的动态图划分算法。 - 对比分析不同图划分算法在分布式计算平台上的性能，寻找最优解决方案。 大规模图数据划分算法是图计算领域的核心问题之一，通过合理地划分图数据可以显著提高并行计算的效率和可扩展性。随着研究的深入和技术的发展，未来可能会出现更多高效、灵活的图划分策略，以满足日益增长的图计算需求。