量子计算机有望比任何经典设备更快地执行某些计算。随着计算的空间/时间量的增长，精确控制其物理实施和与环境不良相互作用的适当屏蔽变得更加困难。因此，代码优化对于最大程度地减少资源要求至关重要 ...
近年来，自动驾驶领域吸引了越来越重要的公共利益。准确地预测各种交通参与者的未来行为对于自动驾驶汽车（AV）的决策至关重要。在本文中，我们将重点介绍了基于方案的基于方案和基于感知的运动预测AV ...
我们开发了一种学习视觉表示的方法，该方法由内部和模式间相似性保护目标的结合驱动，该方法包含多模式数据。与现有的视觉预训练方法（在单个域中求解代理预测任务）不同，我们的方法利用了每种模式中的内在数据属性，并同时从交叉模式相关性中利用了语义信息，从而提高了学习视觉表示的质量。通过在具有不同类型的对比损失的统一框架中包括多模式训练，我们的方法可以学习更强大和通用的视觉特征 ...
我们提出了一种用于多模式的长期车辆轨迹预测的新方法。我们的方法依赖于使用在环境的丰富地图中捕获的车道中心线来为每辆车生成一组建议的目标路径。使用这些路径（在运行时生成，因此可以动态适应场景）作为空间锚，我们预测了一组基于目标的轨迹以及对目标的绝对分布 ...
Starcraft Multi-Agent Challenge（SMAC）是多代理强化学习（MARL）中最常用的实验环境之一，其中特定的任务是控制一定数量的盟军单位以击败敌军。传统的MARL算法通常需要与环境进行交互，以进行多达100万个步骤以训练模型，并且最终的策略通常是不可解剖的，并且可传递性较弱。在本文中，我们提出了一种新的方法来解决称为LLM-SMAC的SMAC任务 ...
现代方法主要将车道检测视为像素细分的问题，该问题正在努力解决效率问题和诸如严重闭塞和极端照明条件之类的挑战性情况。受到人类感知的启发，在严重遮挡和极端照明条件下对车道的认识主要基于上下文和全球信息。在这一观察过程中，我们提出了一种针对超快速速度的新颖，简单而有效的配方，以及挑战性场景的问题 ...
大型语言模型（LLMS）的扩散引起了人们对使用特定领域的数据进行微调以创建专业语言模型的浓厚兴趣。然而，这种特定领域的微调数据通常包含上下文敏感的个人身份信息（PII）。在没有隐私保护的情况下，在此数据上进行LLM的直接微调会带来推理期间敏感PII泄漏的风险 ...
在大型基础模型的驱动下，人工智能的发展最近见证了巨大的进步，导致公众普遍兴趣激增。在这项研究中，我们旨在评估OpenAI最新模型GPT-4V（ISION）的性能，特别是在多模式医学诊断领域。我们的评估包括17种人体系统，包括中枢神经系统，头部和颈部，心脏，胸部，血液，肝胆管，胃肠道，泌尿生殖器，妇产科，妇产科，妇产科，乳房，乳房，骨骼，脊柱，脊柱，血管，血管，肿瘤学，肿瘤学，障碍，图像，图像，从日 ...
