本文使用基于基准标记的地标节点图探讨了室内移动机器人的定位和导航方法。使用Aruco标记及其相对于机器人的摄像机的2D方向以及与摄像机的标记的距离用于计算机器人的相对位置以及其他标记的相对位置。所提出的方法结合了基于信标的导航和同时本地化和基于映射的导航方面的各个方面。该方法的实现使用深度摄像头来获得与标记的距离。在计算标记的所需方向后，它依赖于探针计算来跟踪相对于标记的定位后的位置。然后，使用一个标记的探光仪和相对位置，然后将机器人定位于另一个标记。然后计算两个标记的相对位置和方向。标记表示为节点，相对距离和方向表示为连接节点的边缘，并且可以生成一个代表机器人地图的节点图。该方法在车轮的人形机器人机器人上进行了测试，目的是使IT自动导航到房间内的充电站。该目标成功实现了，并简要讨论了局限性和未来的改进。
translated by 谷歌翻译
在本文中，使用聚类和阈值算法实现了DIBA数据集细菌属和物种的半自动注释。深度学习模型经过训练，以实现细菌物种的语义分割和分类。分类精度达到95％。深度学习模型在生物医学图像处理中发现了巨大的应用。从革兰氏阴性微观图像中自动分割细菌对于诊断呼吸道和尿路感染，检测癌症等至关重要。深度学习将有助于生物学家在更少的时间内获得可靠的结果。此外，可以减少许多人类干预措施。这项工作可能有助于检测尿液涂片图像，痰液涂片图像等的细菌，以诊断尿路感染，结核病，肺炎等。
translated by 谷歌翻译
由于缺乏对AI模型的安全性和鲁棒性的信任，近年来，深度学习模型（尤其是针对安全至关重要的系统）中的对抗性攻击正在越来越受到关注。然而，更原始的对抗性攻击可能是身体上不可行的，或者需要一些难以访问的资源，例如训练数据，这激发了斑块攻击的出现。在这项调查中，我们提供了全面的概述，以涵盖现有的对抗贴片攻击技术，旨在帮助感兴趣的研究人员迅速赶上该领域的进展。我们还讨论了针对对抗贴片的检测和防御措施的现有技术，旨在帮助社区更好地了解该领域及其在现实世界中的应用。
translated by 谷歌翻译
成像传感器在10-12位的动态范围内将传入场景光数字化（即1024--4096色调值）。然后将传感器图像加工在相机上，最后量化为仅8位（即256个音调值），以符合普遍的编码标准。有许多重要的应用程序，例如高位深度显示和照片编辑，有利于恢复丢失的位深度。深度神经网络在该位深度重建任务中是有效的。给定量化的低位深度图像作为输入，现有的深度学习方法采用单次方法，该方法尝试直接估计高位深度图像，或（2）直接估计高的剩余物 - 和低位深度图像。相比之下，我们提出了一种培训和推理策略，可以恢复剩余图像位平平面。我们的BitPlane-Wise学习框架具有允许在训练期间进行多级监督的优势，并且能够使用简单的网络架构获得最先进的结果。我们在多个图像数据集上广泛地测试了我们提出的方法，并在以前的方法上证明了0.5db至2.3db psnr的改进，这取决于量化水平。
translated by 谷歌翻译