机器之心数据服务已上线，提供高效稳定的数据获取，简化爬取流程。

本研究探讨了神经算子在学习休斯模型（描述人群动态的一阶双曲守恒定律系统）解决方案中的局限性。通过评估三种最先进的神经算子在不同复杂场景下的表现，发现这些算子在初始条件较简单的情况下表现良好，但在存在多个初始不连续性和动态边界条件的复杂情况下，则难以捕捉重要的物理特征，影响了其在交通应用中的推广能力。

本研究针对行人交通事故致死率高的问题，通过使用可解释人工智能（XAI），识别出导致行人死亡的关键因素。研究表明，年龄、酒精和药物使用、地点及环境条件是主要的影响因素，并发现中间过街点和可见度差的地区死亡率更高，这些发现为政策制定者和城市规划者提供了减少行人死亡的有效建议。

本研究探讨了行人和车辆在结构化与非结构化环境中的运动轨迹差异。通过提取平均速度和轨迹变异性等特征，并结合K均值聚类和广义线性模型，提出了一种新方法来分类环境。研究表明，轨迹变异性、停留比例和行人密度等特征在两种环境中显著不同，可用于数据集分类。

本研究针对行人重识别模型的相机偏差进行实证分析，发现模型在未见域中的相机偏差在数据分布发生变化时更加明显。文章提出了一种新的去偏方法，通过回顾嵌入向量的特征归一化来减少偏差，并验证了该方法在多个模型和基准上的普适性，显示出其作为简单却有效的测试时间后处理方法的潜力。

本文提出了一种ViT令牌约束和多尺度记忆库（TCMM）的方法，以解决无监督行人重识别中的补丁噪声和特征不一致的问题。该研究显著增强了对离群样本的探索能力，改善了特征一致性，并在常见基准测试中实现了最佳性能。

本研究探讨了可见光-红外人员再识别的多种方法，提出了基于批量归一化的交叉模态神经架构搜索（CM-NAS）和无监督匹配框架，显著提升了跨模态匹配性能。通过模态统一网络和多内存匹配框架，解决了模态差异和类内变异问题，实验结果在多个数据集上优于现有方法。

本研究解决了行人轨迹预测中的社交互动动态的复杂性问题。我们提出了一种结合重建器和条件变分自编码器的轨迹预测模块，生成伪轨迹作为训练增强，从而提高模型的社会意识，并通过一项新颖的社会损失来预测更稳定的轨迹。实验结果表明，该方法在ETH/UCY和SDD基准测试中表现优异，具有显著的预见性和影响力。

本文提出了一种新的人物再识别方法，结合图像和自然语言描述，通过视觉和语言模型显著提升性能。研究表明，自然语言作为训练监督的有效性，并在多个基准测试中取得优异结果。新框架PLIP和方法π-VL通过细粒度特征学习和多模态学习，进一步增强了再识别效果，尤其在挑战性数据集上表现突出。

本研究探讨电动自行车在交通冲突中的双重特性，分析其与机动车和行人互动时的行为差异。结果表明，电动自行车的行为更接近机动车，增加了交通混乱和潜在冲突，为优化交通管理法规提供理论基础。

本文研究了行人运动预测模型，发现简单的恒定速度模型优于复杂的神经网络模型。提出了新的行人停止和行走预测任务，并介绍了相关数据集和混合模型。同时，评估了自动驾驶车辆的轨迹预测方法，强调深度学习和强化学习的应用。最后，提出了一种适用于资源有限的自主应用的高效运动预测模型。

本研究解决了现有行人重识别（ReID）方法无法有效跨多个任务领域泛化的问题。提出的对齐发散路径方法（ADP）通过创建多分支架构、采用动态最大偏差自适应实例归一化模块，以及阶段性余弦混合学习率调度，实现了对多源域的有效泛化。研究结果表明，该方法在多个基准测试上超过了现有的最先进方法，展示了其在行人重识别任务中的广泛适用性和潜在影响。