传感器

首页 标签 传感器
# 传感器 #
关注
14667内容
|
14小时前
|
A Survey of Urban Multimodal Learning |城市多模态学习综述
城市多模态学习旨在利用街景、卫星及文本等异构数据量化城市物理结构与人类主观感知,其核心价值在于弥补宏观遥感无法捕捉街道级细微变化的缺陷。早期研究聚焦于静态快照下的客观指标预测,思路直接但受限于单一模态与时序缺失,难以解释城市动态演变。当多模态大语言模型(MLLMs)引入后,监督微调(SFT)导致的地理偏差与幻觉问题成为主要瓶颈,研究者转向强化学习(RL)与多智能体系统(MAS),用更高的计算复杂度换取推理的鲁棒性与可解释性。各路线在数据标准化、推理架构与训练策略上做出了不同取舍,由此形成当前基准构建、动态推理与模型优化并存的格局。
|
14小时前
|
A Survey of Visual Place Recognition Methods |视觉位置识别方法综述
视觉位置识别(VisualPlaceRecognition,VPR)旨在通过匹配当前观测与地理标记数据库实现自主定位,其核心价值在于解决长时程环境变化下的感知混淆与计算资源约束。早期研究依赖手工特征与Bag-of-Words聚合,受限于鲁棒性,2016年NetVLAD的提出标志着范式转变,确立了“特征提取+聚合”的主流架构。当DINOv2等视觉基础模型(VisualFoundationModel,VFM)引入后,研究重心从单纯追求精度转向效率、鲁棒性与多模态融合,用更强的语义先验换取跨域泛化能力。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。
|
14小时前
|
A Survey of Synthetic-to-Real Domain Adaptation Methods |合成到真实域适应方法综述
合成到真实域适应(Synthetic-to-RealDomainAdaptation)旨在利用低成本仿真数据弥补真实标注数据的稀缺,其核心张力在于视觉逼真度与下游任务效用之间的错位。早期研究以图像翻译为主线,通过循环一致性约束弥合外观差异,思路简洁却受制于结构失真与语义漂移。当扩散模型引入结构控制后,范式从“翻译”转向“条件生成”,用更高的计算成本换取空间布局的精确保持。随着标签粒度不匹配与长尾分布问题暴露,研究重心进一步转向任务感知生成与数据效用评估,试图在训练前预判合成数据的实际贡献。各路线在生成保真度、适应效率与计算成本之间做出了不同取舍,由此形成当前生成式与适应式并存的多元格局。
|
14小时前
|
A Survey of Visual Anomaly Detection Methods |视觉异常检测方法综述
视觉异常检测(VisualAnomalyDetection,VAD)旨在自动识别偏离正常模式的工业产品缺陷,其核心价值在于解决真实缺陷样本极度稀缺与高精度质检需求之间的根本矛盾。早期研究依赖自编码器或生成对抗网络进行像素级重建,思路直观但受限于重建误差对细微缺陷的敏感性不足。随着预训练特征嵌入方法(如PatchCore)的确立,领域转向在特征空间建模正常分布,显著提升了定位精度却牺牲了跨域泛化能力。当工业新品类频繁更替导致重训练成本不可承受时,基于视觉-语言模型(如CLIP)的零样本检测范式应运而生,用全局语义对齐换取了无需目标域训练数据的部署灵活性。
|
14小时前
|
A Survey of Vision-Language-Action Models for Robotic Manipulation |视觉-语言-动作模型综述
视觉-语言-动作模型(Vision-Language-Action,VLA)旨在将自然语言指令直接映射为机器人连续控制信号,其核心价值在于突破传统策略在复杂非结构化环境中泛化能力差的瓶颈。早期研究以离散化动作为主线,通过Transformer序列建模实现端到端映射,思路简洁却受制于控制频率低与动作不连续。当精细操作与高频控制需求暴露出离散Token的精度缺陷后,研究者引入流匹配(FlowMatching)与扩散机制,用连续动作生成换取控制平滑性与实时性。随着跨本体数据集与多模态感知(触觉、事件相机)的引入,领域重心从单纯的动作预测转向增强物理接地、长程时序一致性及分布外鲁棒性。
|
14小时前
|
A Survey of Deep Learning Methods for Precipitation Nowcasting and Downscaling |深度学习降水临近预报与降尺度方法综述
降水临近预报旨在预测未来0-2小时的高分辨率降水分布,其核心价值在于弥补数值天气预报计算成本高企与灾害预警实时性需求之间的张力。早期研究以卷积循环网络为主线,通过捕捉时空依赖将预测问题转化为序列回归,思路简洁却受制于均方误差损失导致的平均场模糊。当生成对抗网络暴露出训练不稳定与定位漂移后,研究者转向潜空间扩散模型与流匹配,用更强的生成先验换取细节保真度与不确定性量化能力。各路线在计算效率、物理一致性与极端事件捕捉之间做出了不同取舍,由此形成当前确定性骨干与生成式细化深度融合的方法格局。本综述梳理这条从像素回归到概率集合生成的因果演进链条,为读者提供一张领域认知地图。
|
14小时前
|
A Survey of Deep Learning for Synthetic Aperture Radar |合成孔径雷达深度学习综述
合成孔径雷达(SAR)图像因全天候成像能力在军事与民用领域至关重要,但其固有的斑点噪声与散射特性使得光学模型直接迁移效果不佳。早期研究依赖传统信号处理,受限于泛化能力,2020年后深度学习引入成为关键转折点,推动了自动目标识别(ATR)与检测任务的范式转变。随着标注数据稀缺问题凸显,研究重心从单一任务监督学习转向大规模自监督预训练(SSL)与基础模型构建,旨在通过通用表征学习缓解数据瓶颈。同时,生成式模型被引入以解决多视角数据稀缺和跨传感器域适应问题,物理先验与数据驱动的融合成为提升鲁棒性与可解释性的核心路径。
|
14小时前
|
A Survey of Deep Learning Methods for Tree and Forest Remote Sensing |深度学习驱动的森林遥感方法综述
深度学习正在重塑森林遥感的感知范式,其核心驱动力在于突破传统人工调查成本高、覆盖范围有限的物理瓶颈。早期研究依赖基于几何特征的无监督算法,但在密集林分中因树冠重叠而失效,迫使领域转向三维点云深度学习以获取精确结构信息。随着标注数据稀缺问题日益凸显,合成数据与自监督学习被引入,通过牺牲部分真实保真度换取跨域泛化能力的提升。近期,视觉-语言模型与零样本框架的介入,试图利用基础模型的通用感知能力解决领域特定标注瓶颈,推动研究重心从静态结构提取转向动态监测与交互式分析。各路线在数据模态、学习范式与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。
|
14小时前
|
A Survey of Deep Image and Video Deblurring Methods |深度图像与视频去模糊方法综述
深度图像与视频去模糊旨在从受相机抖动或物体运动影响的退化图像中恢复清晰细节,其核心价值在于解决病态逆问题中信息丢失与计算资源之间的张力。早期研究依赖手工先验处理空间不变模糊,思路简洁却难以应对真实场景中的复杂退化。当合成基准暴露出域差距后,研究者引入事件相机与多模态传感器,用高时间分辨率的运动线索换取严重模糊下的信息完整性。随后,生成式模型与物理引导框架被引入,用更强的先验换取感知质量与物理一致性,但需付出高昂的计算成本。各路线在表示质量、适应效率与部署约束之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从像素映射到物理生成的因果演进链条,为读者提供一张领域认知地图。
|
14小时前
|
A Survey of Deep Learning Speech Enhancement Methods |深度学习语音增强方法综述
深度学习语音增强(SpeechEnhancement,SE)旨在从受噪声、混响或失真影响的信号中恢复清晰语音,其核心价值在于平衡感知质量、计算效率与跨域鲁棒性。早期研究以端到端时频域映射为主线,通过深度神经网络(DNN)替代传统信号处理,思路简洁却受制于相位估计误差与静态部署假设。当真实场景暴露出域偏移下的性能崩溃后,研究者转向测试时自适应(Test-TimeAdaptation,TTA)与轻量化架构,用动态适应与极致算力优化换取现场鲁棒性与边缘部署可行性。
免费试用