计算机科研杂货铺

行人轨迹预测对于自动驾驶汽车和具有社会意识的机器人至关重要，由于行人、他们的环境和其他弱势道路使用者之间的复杂互动，因此非常复杂。本文介绍了GSGFormer，一个创新的生成模型，善于预测行人轨迹，考虑这些复杂的相互作用，并提供了大量的潜在的模态行为。我们结合了一个异构的图神经网络来捕捉行人，语义地图和潜在目的地之间的交互。Transformer模块提取时间特征，而我们新的CVAE残差GMM模块促进了多样化的行为模态生成。通过对多个公共数据集的评估，GSGFormer不仅在数据充足的情况下优于领先的方法。

模型的对抗性鲁棒性是指它抵抗以输入数据的小扰动形式的对抗性攻击的能力。通用对抗攻击方法，如快速符号梯度方法（FSGM）和投影梯度分解（PGD），在LiDAR目标检测中很受欢迎，但与特定任务的对抗攻击相比，它们往往存在不足。此外，这些通用方法通常需要不受限制地访问模型的信息，这在现实世界的应用程序中很难获得。为了解决这些限制，我们提出了一种用于LiDAR对象检测的黑盒缩放对抗鲁棒性（ScAR）方法。通过分析KITTI、Waymo和nuScenes等3D对象检测数据集的统计特征，我们发现模型的预

近年来，深度神经网络（DNN），特别是基于transformer的模型，有一个显著的趋势，即开发更大、更强大的模型。虽然它们展示了最先进的性能，但它们不断增长的规模需要增加的计算资源（例如，内存容量更大的GPU）。为了解决这个问题，量化技术（即，低位精度表示和矩阵乘法）。大多数量化技术采用静态策略，其中在训练或推断期间量化模型参数，而不考虑测试时间样本。相比之下，已经变得越来越流行的动态量化技术在基于所提供的输入的推断期间进行适应，同时保持全精度性能。

尽管在提高神经网络的鲁棒性方面是有效的，但对抗性训练遭受了自然准确性降级问题，即，天然样品的准确性已大大降低。在这项研究中，我们揭示了自然精度退化是高度相关的自然样本拓扑结构的表示空间的定量和定性实验的破坏。基于这一观察结果，我们提出了拓扑保留对抗训练（TRAIN），通过在对抗训练期间仅在自然样本上训练的标准模型中保留自然样本的拓扑结构来缓解这个问题。作为一种额外的正则化，我们的方法可以很容易地以即插即用的方式与各种流行的对抗训练算法相结合，利用双方的优势。

车道线检测是车辆在道路上导航和定位的重要任务。为了保证检测结果的可靠性，车道线检测算法必须在各种道路环境中。

自动驾驶、目标检测、AIGC、对抗攻击、后门攻击、强化学习等领域一直处于人工智能研究的前沿。这些领域的最新论文不仅推动了技术的发展，也在不断挑战我们对智能系统的认知和安全性的考验。从提高自动驾驶车辆的安全性到优化目标检测算法的准确性，再到对抗攻击和后门攻击的应对策略，以及强化学习在智能决策中的应用，这些论文展示了研究者们在探索人工智能前沿问题时的不懈努力。本篇博客将追踪探讨arxiv相关领域的最新论文的关键观点和突破，深入了解它们对未来技术和社会的影响。