机器人的不安全状态是在舞台上。有关于主要机器人脆弱性及其不利后果的新兴担忧。但是，机器人和网络安全域之间仍有相当大的差距。为了填补这种差距，目前的技术报告提供了机器人CTF（RCTF），一个在线游乐场，用于从任何浏览器中挑战机器人安全性。我们描述了RCTF的架构，并提供了9个方案，黑客可以挑战不同机器人设置的安全性。我们的工作使安全研究人员提供给a）本地复制虚拟机器人方案，b）将网络设置改为模拟真实机器人目标。我们倡导机器人中的黑客动力安全，并通过开放采购我们的场景贡献。
translated by 谷歌翻译
机器人景观正在经历大变化。机器人正在蔓延，很快就会到处。传统上用于工业的系统正在被协作机器人所取代，而在人们的日常活动中介绍了越来越多的专业和消费机器人。机器人越来越多地与它的其他方面交织在一起，并设想以获得更多的自主权，与人类身体相互作用。我们声称，遵循个人计算机（PC）和智能手机，机器人是下一个技术革命，但制造商正在忽略机器人安全性。本文旨在警惕不仅有安全处理的需求，而是从即将到来的技术时代开始的机器人安全性。我们在此提供了一份评论机器人危险的文件，并分析了不面临这些问题的后果。我们强烈地提倡安全 - 首先是必须立即实施的安全方法。
translated by 谷歌翻译
机器人在社会中取得了相关性，越来越越来越关注关键任务。尽管如此，机器人安全性被低估了。机器人安全性是一种复杂的景观，通常需要一个跨纪的横向落后的横向学科视角。要解决此问题，我们介绍了机器人安全框架（RSF），一种方法，用于在机器人中执行系统安全评估。我们提出，调整和开发特定术语，并提供了在四个主要层次（物理，网络，固件和应用程序）之后实现整体安全评估的指南。我们认为现代机器人应视为同样相关的内部和外部沟通安全。最后，我们倡导“通过默默无闻的安全”。我们得出结论，机器人中的安全领域值得进一步的研究努力。
translated by 谷歌翻译
由于标记医学图像数据是一个昂贵且劳动密集型的过程，因此近年来，Active学习在医学图像分割领域中广受欢迎。文献中已经提出了各种积极的学习策略，但是它们的有效性高度取决于数据集和培训方案。为了促进现有策略的比较，并为评估新策略提供了基准，我们评估了从医学分割的十项全能中的三个数据集上的几种著名的活跃学习策略的性能。此外，我们考虑了专门针对3D图像数据量身定制的扎实的采样策略。我们证明，随机和踩踏的采样都是强大的基准，并讨论了研究方法的优势和缺点。为了允许其他研究人员将他们的工作与我们的结果进行比较，我们提供了一个开源框架，以在各种医疗分割数据集上对主动学习策略进行基准测试。
translated by 谷歌翻译
像素盒是一种技术，广泛用于光学图像采集和光谱学，其中图像传感器的相邻检测器元件被组合成较大的像素。这减少了要处理的数据量以及噪声的影响，而是以丢失信息的成本。在这里，我们通过将大部分传感器元件组合成延伸在芯片的整个面上的单个超像素中，将钻入其限制的概念。对于给定的模式识别任务，通过使用机器学习算法从训练数据确定其最佳形状。我们展示了纳秒时间形象上的Mnist DataSet对光学投影图像的分类，增强了灵敏度，而不会损失分类准确性。我们的概念不仅限于仅成像，而且还可以应用于光学光谱或其他传感应用。
translated by 谷歌翻译