Adaptive-Distribution Randomized Neural Networks
PulseAugur coverage of Adaptive-Distribution Randomized Neural Networks — every cluster mentioning Adaptive-Distribution Randomized Neural Networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
New GeoUP framework unifies 3D perception for autonomous driving
研究人员推出了一种新颖的统一3D感知框架GeoUP，用于自动驾驶，该框架利用摄像头数据。与以往常将3D几何视为下游任务的方法不同，GeoUP将度量3D结构直接整合到其共享表示中。这是通过跨图像注意力机制和感知标定的raymap编码实现的，使模型能够捕获显式的度量几何和一致的3D场景结构。GeoUP在多个基准数据集的深度估计、3D对象检测和语义占用预测方面均展现了最先进的性能。
-
SurroundNEXO框架增强了自动驾驶的度量深度预测
研究人员推出SurroundNEXO，一个旨在改进自动驾驶系统度量深度预测的新型框架。该方法利用以自我为中心的几何和稀疏LiDAR测量作为尺度传播的锚点，解决了摄像头之间视觉重叠有限的挑战。SurroundNEXO在NuScenes、Waymo和DDAD等基准测试中，在减少单视图误差、增强跨视图一致性和提高度量重建质量方面取得了显著改进。
-
新型Transformer增强3D场景重建和边缘部署
研究人员开发了基于Transformer的新模型，用于从视觉输入进行3D场景重建。DVGT（Driving Visual Geometry Transformer）在无需显式几何先验的情况下，从无姿态的多视图图像中重建密集3D点图，并在多样化的驾驶数据集上进行训练。VG^2GT通过使用冻结的视觉基础模型和体素模块直接回归高斯原始参数来增强高斯溅射，从而降低了训练成本并优于现有方法。QVGGT通过引入量化框架，选择性地应用混合精度和令牌…
-
新框架 AD-RaNN 优化用于偏微分方程的随机神经网络
研究人员推出了一种名为自适应分布随机神经网络 (AD-RaNN) 的新框架，旨在提高随机神经网络在求解偏微分方程 (PDE) 方面的性能。该方法通过优化定义隐藏层参数采样分布的低维向量，来解决现有模型对该分布敏感的问题。AD-RaNN 采用两阶段训练过程，结合了 PDE 驱动自适应分布 (PDAD) 和数据驱动自适应分布 (DDAD) 等自适应机制，以提高准确性并减少手动调整。