AI memang mengubah matematik.
Baru-baru ini, Terence Tao, yang telah mengambil perhatian terhadap isu ini, telah memajukan keluaran terbaru "Buletin Persatuan Matematik Amerika".
Berkisar tentang topik "Adakah mesin akan mengubah matematik?", ramai ahli matematik menyatakan pendapat mereka keseluruhan proses itu penuh dengan percikan api, tegar dan mengujakan.
Pengarang mempunyai barisan yang kuat, termasuk pemenang Fields Medal Akshay Venkatesh, ahli matematik China Lejun Zheng, saintis komputer Universiti New York Ernest Davis dan ramai lagi cendekiawan terkenal dalam industri.
Dunia AI telah mengalami perubahan yang menggegarkan bumi Anda tahu, banyak artikel ini telah diserahkan setahun yang lalu, dan dalam tahun ini, AI telah mengalami banyak perubahan yang ketara.
Namun, walaupun begitu, artikel-artikel ini masih penuh dengan emas, malah membuatkan Terence Tao menjerit: Medan ini bergerak terlalu pantas! Menjadikan artikel saya yang tidak diterbitkan kelihatan berlebihan.
Tiada siapa boleh menafikan bahawa alatan AI menjadikan bidang matematik bergerak ke hadapan pada kadar yang membimbangkan.
Adakah kecerdasan buatan akan membawa kepada revolusi dalam cara maklumat dikumpulkan dan diproses dalam bidang saintifik, termasuk matematik tulen? Adakah ia akan mengubah cara matematik dilakukan?
Ahli matematik terbahagi: ada yang percaya penggunaan pembelajaran mesin secara meluas dalam penyelidikan hampir tiba, manakala yang lain ragu-ragu, mengingati optimisme yang berlebihan dan "musim sejuk AI" yang seterusnya.
Namun begitu, perubahan drastik berkemungkinan besar berlaku dalam amalan penyelidikan matematik. Kini, tiba masanya untuk ahli matematik mempertimbangkan masalah yang ditimbulkan oleh perubahan ini.
Tidak dinafikan, ribut di hadapan.
Jadi, adakah mesin akan mengubah matematik?
Impak Automasi Matematik terhadap Penyelidikan Matematik
Dalam kertas kerja ini, pemenang Fields Medal Akshay Venkatesh meneroka kesan automasi terhadap penyelidikan matematik.
Alamat kertas: https://www.ams.org/journals/bull/2024-61-02/S0273-0979-2024-01834-5/S0273-2479-18. pdf
Dalam kertas kerja ini, Akshay Venkatesh mencadangkan satu eksperimen pemikiran yang menarik -
Pada 2017, DeepMind's Alphazero mengajar sendiri catur dan Go overnight, mengatasi manusia.
Bagaimana jika sepuluh tahun kemudian, "Alephzero" (ditulis
) juga melakukan matematik berformat yang sama?
"matematik" dalam artikel ini merujuk kepada "penyelidikan matematik tulen".
Titik permulaan kami ialah menganggap bahawa "Alephzero" mengajar sendiri matematik sekolah menengah dan kolej dan menyelesaikan semua latihan dalam siri Siswazah SpringerVerlag dalam siri Matematik. Keesokan paginya ahli matematik mengeluarkannya, kanak-kanak memuat turunnya dan menjalankannya dengan sumber pengkomputeran kami.
Ini sememangnya percubaan pemikiran kerana ia jelas tidak realistik: dengan mengehadkan ufuk kita kepada sepuluh atau dua puluh tahun akan datang, kita membenarkan diri kita untuk melepaskan diri daripada perubahan sosial yang mungkin mengiringi kemajuan teknologi sedemikian. Memikirkan masalah ini juga membolehkan kita untuk mengelak memikirkan tentang jenis kecerdasan mesin yang lebih ekstrem, di mana kami memodelkan Alephzero sebagai alat kuasa dan bukannya rakan usaha sama hidup.
Kita boleh menghiburkan diri dengan cara ini: Sebenarnya, premis ini terlalu jauh dari kita, dan kita tidak perlu mempertimbangkannya. Tetapi jika kita membenarkan peluang yang sedikit pun, ini boleh berlaku dalam masa dua puluh tahun.
Menyediakan model yang sangat kasar yang menggambarkan sebahagian daripada mekanisme nilai kami melalui interaksi Bayesian antara ahli matematik dan rangkaian masalah. Kami kini mempertimbangkan cara "Alephzero" akan memberi kesan kepada rangkaian ini dan mengubah hasilnya.
Seperti yang kita lihat, kesukaran yang dirasakan adalah bahagian penting dalam cara kita membina nilai.
Tidak kira situasi tertentu, "Alephzero" akan mengubah keupayaan kita untuk menyelesaikan masalah, seterusnya mengubah persepsi kita terhadap kesukaran masalah.
Bahagian proses matematik yang boleh dipercepatkan dengan paling pantas akan mempunyai pengurangan terbesar dalam kesukaran yang dirasakan, dan mengikut model kami di atas, negeri akan mengalami pengurangan terbesar. Corak yang sama berlaku dalam banyak keadaan automasi.
Akhir sekali, "Alephzero" akan meluaskan keseluruhan rangkaian masalah menarik dalam matematik. Ia akan meratakan padang permainan antara ahli matematik profesional dan orang lain. . / S0273-0979-2024-01827-8.pdf
Ahli matematik Zheng Lejun percaya bahawa sejak teknologi telah mengubah cara kita belajar matematik, kita boleh menggunakan teknologi ini untuk menjadikan matematik lebih "agregat", dan Ia adalah bukan tentang menjadikan ahli matematik manusia berlebihan dalam menghadapi kemajuan teknologi. 
Dalam memikirkan maksud "melakukan matematik," dia meneliti aspek teknologi matematik berikut: pengajaran dan pembelajaran, bertanya soalan, bekerjasama, berkomunikasi dan tindakan melakukan penyelidikan.
Ini bukan analisis yang teliti, tetapi renungan yang bijak berdasarkan pengalamannya sebagai seorang ahli matematik.
Lejun Zheng percaya bahawa walaupun terdapat beberapa penyemak bukti berbantukan komputer dan juga penjana bukti, teknologi masih belum benar-benar menceroboh aspek penyelidikan matematik yang paling mendalam, kreatif dan manusiawi.
Bahagian kreatif yang mendalam mula-mula melibatkan penghasilan idea - idea untuk definisi, idea untuk pembuktian, idea untuk membuat perkaitan antara bahagian matematik yang berlainan, idea untuk cara baru menyatakan sesuatu, idea untuk simbol dan istilah, idea penaakulan grafik serta idea untuk perwakilan visual.
Untuk membolehkan mesin melakukan penyelidikan matematik, kita perlu mencari cara untuk menyuruh mereka melakukannya,
Sukar untuk memberitahu mereka cara melakukannya jika kita tidak tahu cara melakukannya sendiri.
Mesin boleh melakukan semakan bukti tahap tertentu, tetapi secara rahsia, ahli matematik tahu bahawa kita tidak boleh menulis bukti yang ketat sepenuhnya - kami mendasarkan hujah kami pada logik, dan ikuti dengan langkah logik yang kami fikir rakan sebaya kami akan melakukannya dapat mengisi. sokongan.
Kami tidak menentukan saiz langkah ini, jadi sukar untuk menyuruh mesin melakukannya. Menjana bukti adalah kemahiran yang sama sekali berbeza daripada sekadar menyemaknya, seperti yang diketahui oleh mana-mana pelajar matematik. Lebih mudah untuk mengikuti bukti orang lain daripada menghasilkan bukti baru sendiri. Ini bukan untuk mengatakan bahawa komputer tidak boleh mengatasi ahli matematik manusia dalam keupayaan penyelidikan matematik.
Pada pendapatnya, apa yang menjadikan komputer lebih berkuasa daripada ahli matematik manusia ialah-
Mereka mempunyai keupayaan yang lebih besar untuk mencari semua tindakan yang mungkin dengan mencari semua kemungkinan keputusan logik yang diketahui pada masa ini, mereka boleh cuba menghasilkan matematik baharu .
Ini memerlukan lompatan imaginasi, tekaan dan gerak hati, apakah yang cukup untuk komputer melakukan ini? Ideanya sangat menarik.
Bolehkah komputer membantu kita melakukan penaakulan logik
Alamat kertas: https://www.ams.org/journals/bull/2024-61-02/S0273-0979-2024-01833-3/S0273-0979-2024-01833-3.pdf Komputer telah merevolusikan cara kami menjalankan penyelidikan matematik, menjadikan pengiraan yang rumit menjadi mudah. Tetapi seterusnya, adakah mereka akan menjadi pembantu untuk penaakulan logik kita? Bolehkah mereka membuat alasan secara bebas suatu hari nanti? Artikel ini akan memberi anda gambaran keseluruhan tentang kemajuan penting baru-baru ini dalam rangkaian saraf, provers teorem komputer dan model bahasa besar. . 2024-01832-1/S0273-0979-2024-01832-1.pdf Sejak awal abad ke-20, kami telah memahami bahawa definisi matematik dan melalui sistem pembuktian formal boleh dicapai peraturan diwakili. Artikel ini akan meneroka cara jenis teknologi ini dan alatan berkaitannya boleh membantu kami menjalankan penyelidikan matematik dengan lebih baik. Gunakan teorem prover untuk memudahkan masalah yang rumit dalam penyelidikan matematik
Alamat kertas: https://www.ams.org/02020 0979-2024-01831-X/S0273-0979-2024-01831-X.pdf Artikel ini meneroka bagaimana prover teorem interaktif boleh digunakan untuk memudahkan masalah kompleks dalam penyelidikan matematik dengan menetapkan sempadan abstrak. Alam semesta baharu yang pelik: LLM membenarkan ahli matematik berkomunikasi dengan pembantu bukti dalam bahasa yang lebih semula jadi
Alamat kertas: https://www.ams.org/6/20/4-bu. 02/S0273-0979-2024-01830-8/S0273-0979-2024-01830-8.pdf Atur cara komputer semasa, juga dikenali sebagai pembantu bukti kebolehpercayaan, juga dikenali sebagai pembantu bukti kebolehpercayaan. Tetapi bahasa pembuktian khusus yang mereka gunakan menimbulkan halangan bagi ramai ahli matematik.
Boleh AI buat kajian matematik Alamat kertas: https://www.ams.org/journals/bull/2024-61-02/S0273-0979-2024-01828-X/S0273-0979-20284-X18284-X.pdf Artikel ini meneroka keupayaan dan batasan teknologi AI semasa dalam menyelesaikan masalah perkataan yang menggabungkan matematik asas dan penaakulan akal. Pengarang menyemak tiga kaedah yang dibangunkan menggunakan teknologi bahasa semula jadi AI: memberikan jawapan secara langsung, menjana program komputer yang menyelesaikan masalah dan menjana perwakilan formal yang boleh digunakan oleh penguji teorem automatik. Pengarang percaya bahawa kepentingan batasan ini dalam pembangunan teknologi AI untuk penyelidikan matematik tulen masih belum ditakrifkan dengan jelas, tetapi ia amat kritikal dalam aplikasi matematik dan juga penting dalam membangunkan program yang boleh memahami kandungan matematik ditulis oleh manusia. Alamat kertas: https://www.ams.org/journals/bull/2024-61-02/S0273-2979-618 /S0273-0979-2024-01826-6.pdf Dalam artikel ini penulis meneroka sifat bukti dan evolusinya dalam zaman mesin dengan membezakan nilai dalam pengesahan tradisional dan analisis pengesahan komputer. Kaedah yang akhirnya dicadangkan dalam artikel mungkin membolehkan komputer membuktikan strategi yang berjaya yang menggunakan pengalaman manusia. . -4/S0273-0979-2024-01825-4.pdf Pecahan bersambung mempunyai sejarah yang panjang dalam teori nombor, terutamanya dalam bidang penghampiran Diophantine. Artikel ini bertujuan untuk menggariskan hasil teras bagi teori pecahan berterusan p-adic, iaitu pecahan berterusan yang ditakrifkan pada medan nombor p-adic Qp. Kandungan akan bermula dari konsep asas untuk memperkenalkan kemajuan terkini dan masalah terbuka yang sedang dihadapi.
Alamat kertas: https://terrytao.files.wordpress.com/2024/03/machine-assisted-proof-notices.pdf
Dalam kertas kerja ini, Tao Zhexuan berkata bahawa dengan bantuan keupayaan LLM untuk memproses input bahasa semula jadi, mereka berkemungkinan menjadi platform mesra pengguna, membolehkan ahli matematik tanpa pengetahuan perisian khusus menggunakan alat canggih. Kini, dia dan ramai saintis sudah terbiasa menggunakan model ini untuk menghasilkan kod mudah dalam pelbagai bahasa, termasuk pakej algebra simbolik, atau untuk mencipta gambar rajah dan imej yang kompleks. Pada masa ini, kerja pengesahan bukti rasmi (pengesahan bukti rasmi) sangat bergantung pada tenaga manusia, yang menjadikannya tidak praktikal untuk merasmikan sepenuhnya sejumlah besar kertas penyelidikan semasa dalam masa nyata. Dalam bidang persamaan pembezaan separa, selalunya perlu untuk menganggarkan ungkapan kamiran yang melibatkan satu atau lebih fungsi yang tidak diketahui (seperti penyelesaian PDE) melalui berbilang halaman pengiraan. Ini melibatkan penggunaan sempadan fungsi ini dalam norma ruang fungsi yang berbeza (seperti norma ruang Sobolev), digabungkan dengan ketaksamaan piawai (seperti ketaksamaan Hölder dan ketaksamaan Sobolev), dan seperti kamiran mengikut bahagian atau tanda kamiran Persamaan pembezaan . Walaupun jenis pengiraan ini adalah operasi rutin, ia mungkin mengandungi pelbagai peringkat ralat (seperti ralat tanda Ia membosankan dan memakan masa untuk penyemak menyemak pengiraan ini secara terperinci, dan pengiraan ini sendiri ada). tambahan kepada akhir Di sebalik fakta bahawa anggaran itu betul, adalah sukar untuk memberikan pemahaman atau pandangan matematik yang lebih mendalam. Adalah boleh dibayangkan bahawa pada masa hadapan alatan boleh dibangunkan untuk mewujudkan anggaran matematik secara automatik atau separa automatik, dan menggantikan bukti anggaran semasa yang panjang dan tidak memberangsangkan dengan pautan kepada sijil bukti rasmi. Melangkah lebih jauh, kita mungkin boleh menjangkakan bahawa, berdasarkan set andaian dan kaedah awal, alat AI masa depan akan dapat menghasilkan anggaran terbaik yang boleh, tanpa perlu membuat kertas terlebih dahulu -dan-pengiraan pensel untuk meramalkan apakah anggaran itu. Pada masa ini, dianggarkan bahawa ruang keadaan yang mungkin terlalu kompleks untuk diterokai secara automatik, tetapi dengan perkembangan teknologi, kemungkinan untuk merealisasikan penerokaan automatik sedemikian tidak dapat dicapai. Setelah dilaksanakan, kami akan dapat menjalankan penerokaan matematik pada skala yang kelihatan tidak boleh dilaksanakan pada masa ini. Mari kita ambil persamaan pembezaan separa sebagai contoh Penyelidikan semasa biasanya hanya mengkaji satu atau dua persamaan pada satu masa tetapi pada masa hadapan, kita mungkin boleh mengkaji ratusan persamaan pada masa yang sama. Sebagai contoh, mula-mula bangunkan hujah yang lengkap untuk persamaan, dan kemudian biarkan alat AI menyesuaikan hujah-hujah ini kepada sejumlah besar keluarga persamaan yang berkaitan Jika perlu, apabila pengembangan hujah menghadapi situasi yang tidak konvensional. AI akan bertanya soalan pengarang. Kini, dalam bidang matematik yang lain, seperti teori graf, tanda-tanda awal penerokaan matematik berskala besar ini sudah mula kelihatan. Walau bagaimanapun, percubaan awal semasa ini sukar untuk dipromosikan secara besar-besaran kerana ia bergantung pada model AI yang sangat intensif secara pengiraan atau memerlukan sejumlah besar penyertaan dan penyeliaan manusia peringkat pakar. Bagaimanapun, Terence Tao percaya dalam masa terdekat, kita akan menyaksikan kelahiran kaedah matematik berbantukan mesin yang lebih inovatif. 
Apakah bukti di zaman mesin
Dalam makalah ini, penulis mengkritik keras kurangnya pemikiran rakan sejawat, terutamanya apabila mempertimbangkan masa depan mekanis.perdebatan matematik dan penting kecerdasan buatan pada peringkat yang lebih luas dalam masyarakat. . 9/S0273-0979-2024-01819-9.pdf
Tao Zhexuan menyiarkan: Bukti bantuan mesin
Sebenarnya, Tao Zhexuan juga menggunakan "Bukti bantuan mesin" kertas yang ditulisnya sebelum ini.
Atas ialah kandungan terperinci . Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
AI Hentai Generator
Menjana ai hentai secara percuma.
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
1378
52
Model MoE sumber terbuka paling berkuasa di dunia ada di sini, dengan keupayaan bahasa Cina setanding dengan GPT-4, dan harganya hanya hampir satu peratus daripada GPT-4-Turbo
May 07, 2024 pm 04:13 PM
Bayangkan model kecerdasan buatan yang bukan sahaja mempunyai keupayaan untuk mengatasi pengkomputeran tradisional, tetapi juga mencapai prestasi yang lebih cekap pada kos yang lebih rendah. Ini bukan fiksyen sains, DeepSeek-V2[1], model MoE sumber terbuka paling berkuasa di dunia ada di sini. DeepSeek-V2 ialah gabungan model bahasa pakar (MoE) yang berkuasa dengan ciri-ciri latihan ekonomi dan inferens yang cekap. Ia terdiri daripada 236B parameter, 21B daripadanya digunakan untuk mengaktifkan setiap penanda. Berbanding dengan DeepSeek67B, DeepSeek-V2 mempunyai prestasi yang lebih kukuh, sambil menjimatkan 42.5% kos latihan, mengurangkan cache KV sebanyak 93.3% dan meningkatkan daya pemprosesan penjanaan maksimum kepada 5.76 kali. DeepSeek ialah sebuah syarikat yang meneroka kecerdasan buatan am
Apr 09, 2024 am 11:52 AM
AI memang mengubah matematik. Baru-baru ini, Tao Zhexuan, yang telah mengambil perhatian terhadap isu ini, telah memajukan keluaran terbaru "Buletin Persatuan Matematik Amerika" (Buletin Persatuan Matematik Amerika). Memfokuskan pada topik "Adakah mesin akan mengubah matematik?", ramai ahli matematik menyatakan pendapat mereka Seluruh proses itu penuh dengan percikan api, tegar dan menarik. Penulis mempunyai barisan yang kuat, termasuk pemenang Fields Medal Akshay Venkatesh, ahli matematik China Zheng Lejun, saintis komputer NYU Ernest Davis dan ramai lagi sarjana terkenal dalam industri. Dunia AI telah berubah secara mendadak Anda tahu, banyak artikel ini telah dihantar setahun yang lalu.
Google gembira: prestasi JAX mengatasi Pytorch dan TensorFlow! Ia mungkin menjadi pilihan terpantas untuk latihan inferens GPU
Apr 01, 2024 pm 07:46 PM
Prestasi JAX, yang dipromosikan oleh Google, telah mengatasi Pytorch dan TensorFlow dalam ujian penanda aras baru-baru ini, menduduki tempat pertama dalam 7 penunjuk. Dan ujian tidak dilakukan pada TPU dengan prestasi JAX terbaik. Walaupun dalam kalangan pembangun, Pytorch masih lebih popular daripada Tensorflow. Tetapi pada masa hadapan, mungkin lebih banyak model besar akan dilatih dan dijalankan berdasarkan platform JAX. Model Baru-baru ini, pasukan Keras menanda aras tiga hujung belakang (TensorFlow, JAX, PyTorch) dengan pelaksanaan PyTorch asli dan Keras2 dengan TensorFlow. Pertama, mereka memilih satu set arus perdana
Hello, Atlas elektrik! Robot Boston Dynamics hidup semula, gerakan pelik 180 darjah menakutkan Musk
Apr 18, 2024 pm 07:58 PM
Boston Dynamics Atlas secara rasmi memasuki era robot elektrik! Semalam, Atlas hidraulik hanya "menangis" menarik diri daripada peringkat sejarah Hari ini, Boston Dynamics mengumumkan bahawa Atlas elektrik sedang berfungsi. Nampaknya dalam bidang robot humanoid komersial, Boston Dynamics berazam untuk bersaing dengan Tesla. Selepas video baharu itu dikeluarkan, ia telah pun ditonton oleh lebih sejuta orang dalam masa sepuluh jam sahaja. Orang lama pergi dan peranan baru muncul. Ini adalah keperluan sejarah. Tidak dinafikan bahawa tahun ini adalah tahun letupan robot humanoid. Netizen mengulas: Kemajuan robot telah menjadikan majlis pembukaan tahun ini kelihatan seperti manusia, dan tahap kebebasan adalah jauh lebih besar daripada manusia Tetapi adakah ini benar-benar bukan filem seram? Pada permulaan video, Atlas berbaring dengan tenang di atas tanah, seolah-olah terlentang. Apa yang berikut adalah rahang-jatuh
KAN, yang menggantikan MLP, telah diperluaskan kepada konvolusi oleh projek sumber terbuka
Jun 01, 2024 pm 10:03 PM
Awal bulan ini, penyelidik dari MIT dan institusi lain mencadangkan alternatif yang sangat menjanjikan kepada MLP - KAN. KAN mengatasi MLP dari segi ketepatan dan kebolehtafsiran. Dan ia boleh mengatasi prestasi MLP berjalan dengan bilangan parameter yang lebih besar dengan bilangan parameter yang sangat kecil. Sebagai contoh, penulis menyatakan bahawa mereka menggunakan KAN untuk menghasilkan semula keputusan DeepMind dengan rangkaian yang lebih kecil dan tahap automasi yang lebih tinggi. Khususnya, MLP DeepMind mempunyai kira-kira 300,000 parameter, manakala KAN hanya mempunyai kira-kira 200 parameter. KAN mempunyai asas matematik yang kukuh seperti MLP berdasarkan teorem penghampiran universal, manakala KAN berdasarkan teorem perwakilan Kolmogorov-Arnold. Seperti yang ditunjukkan dalam rajah di bawah, KAN telah
Robot Tesla bekerja di kilang, Musk: Tahap kebebasan tangan akan mencapai 22 tahun ini!
May 06, 2024 pm 04:13 PM
Video terbaru robot Tesla Optimus dikeluarkan, dan ia sudah boleh berfungsi di kilang. Pada kelajuan biasa, ia mengisih bateri (bateri 4680 Tesla) seperti ini: Pegawai itu juga mengeluarkan rupanya pada kelajuan 20x - pada "stesen kerja" kecil, memilih dan memilih dan memilih: Kali ini ia dikeluarkan Salah satu sorotan video itu ialah Optimus menyelesaikan kerja ini di kilang, sepenuhnya secara autonomi, tanpa campur tangan manusia sepanjang proses. Dan dari perspektif Optimus, ia juga boleh mengambil dan meletakkan bateri yang bengkok, memfokuskan pada pembetulan ralat automatik: Berkenaan tangan Optimus, saintis NVIDIA Jim Fan memberikan penilaian yang tinggi: Tangan Optimus adalah robot lima jari di dunia paling cerdik. Tangannya bukan sahaja boleh disentuh
FisheyeDetNet: algoritma pengesanan sasaran pertama berdasarkan kamera fisheye
Apr 26, 2024 am 11:37 AM
Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi
DualBEV: mengatasi BEVFormer dan BEVDet4D dengan ketara, buka buku!
Mar 21, 2024 pm 05:21 PM
Kertas kerja ini meneroka masalah mengesan objek dengan tepat dari sudut pandangan yang berbeza (seperti perspektif dan pandangan mata burung) dalam pemanduan autonomi, terutamanya cara mengubah ciri dari perspektif (PV) kepada ruang pandangan mata burung (BEV) dengan berkesan dilaksanakan melalui modul Transformasi Visual (VT). Kaedah sedia ada secara amnya dibahagikan kepada dua strategi: penukaran 2D kepada 3D dan 3D kepada 2D. Kaedah 2D-ke-3D meningkatkan ciri 2D yang padat dengan meramalkan kebarangkalian kedalaman, tetapi ketidakpastian yang wujud dalam ramalan kedalaman, terutamanya di kawasan yang jauh, mungkin menimbulkan ketidaktepatan. Manakala kaedah 3D ke 2D biasanya menggunakan pertanyaan 3D untuk mencuba ciri 2D dan mempelajari berat perhatian bagi kesesuaian antara ciri 3D dan 2D melalui Transformer, yang meningkatkan masa pengiraan dan penggunaan.
