我们提出了一种新型自回归 Transformer 的模型，该模型通过概率生成关节，骨架拓扑并以无模板方式分配皮肤重量来准备3D资产准备。与大多数依赖预定义骨骼模板的大多数现有自动弄弄方法不同，并且仅限于类人类类别，例如人形生物，索具以自回归方式处理索具问题，迭代地基于全球输入形状和先前的预测来预测下一个关节。虽然自回旋模型通常用于生成顺序数据，但riganything扩展了其应用程序以有效地学习和 ...

小对象检测旨在将图像中的小对象定位和分类。随着大规模视觉审计的最新进展，填充预审计的对象检测模型已成为一种有前途的方法。但是，大型模型在计算上是很昂贵的 ...

尽管近年来，基于深度学习的一般对象检测取得了长足的进步，但小物体检测的有效性和效率仍然不令人满意。这不仅归因于这样的小目标的有限特征，而且还归因于这些目标之间的高密度和相互重叠。现有的基于 Transformer 的小对象探测器不会利用准确性和推理速度之间的差距 ...

小对象检测要求检测头在图像特征图上扫描大量位置，这对于计算和节能轻便的通用检测器非常困难。为了准确检测有限计算的小物体，我们提出了一个具有极低计算复杂性的两阶段轻质检测框架，称为TinyDet。它可以使高分辨率特征地图用于致密锚定，以更好地覆盖小物体，提出了一项稀疏连接的卷积，以减少计算，增强了骨架中的早期阶段特征，并解决了特征错位问题，以准确地进行小对象检测 ...

边界框回归在目标检测领域起着至关重要的作用，目标检测的定位精度很大程度上取决于边界框回归的损失函数。现有研究利用边界框之间的几何关系来提高回归性能，而忽略了难易样本分布对边界框回归的影响。在本文中，我们分析了难易样本分布对回归结果的影响，然后提出了 ...

边界框回归（BBR）已被广泛用于对象检测和实例分割，这是对象定位的重要一步。但是，当预测的框具有与地面图框相同的纵横比时，无法优化边界框回归的大多数现有损耗函数，但是宽度和高度值完全不同。为了解决上述问题，我们完全探索了水平矩形的几何特征，并根据最小点距离提出了一个新颖的边界相似性比较指标mpdiou，其中包含现有损耗功能中所有相关因素，即在宽度或不可过地重叠区域，中心距离和偏差的过程中，并简化了 ...

 Transformer 中的注意机制是准确可扩展的序列建模的重要原始性。它的二次计算和线性内存复杂性仍然是显着的瓶颈。线性注意力和状态空间模型实现线性时间，恒定内存序列建模，并且可以通过跨序列长度富含矩阵的并行化来有效地训练 ...

移动边缘计算（MEC）启用的空中网络是6G的关键组成部分，采用航空站（ABSS），例如无人驾驶飞机（UAV）（UAV）和高空平台站（HAPS），为地面IoT设备（IOTDS）提供动态服务。这些IOTD支持实时应用程序（例如 ...