我们探索人工神经网络作为从虚构时间格林函数重建光谱函数的工具,这是一个经典条件反问题。我们的ansatz基于有监督的学习框架,其中先验知识在训练数据中被编码,并且逆变换流形通过神经网络被明确地参数化。我们系统地研究了这种新的重建方法,提供了对其在物理动机模拟数据上的表现的详细分析,并将其与已建立的贝叶斯推理方法进行了比较。发现构造精度至少是可比较的,并且特别是在较大的噪声水平下可能是优越的。我们认为,在监督环境中使用标记的训练数据和确定优化目标的自由度是本方法的固有优势,并且可能导致对未来最先进方法的重大改进。进一步研究的潜在方向是详细讨论。
translated by 谷歌翻译
在这项研究中,我们提出了仿射变分自动编码器(AVAE),变体自动编码器(VAE)的变量,旨在通过避免VAE无法推广到仿射扰动形式的分布变化来提高鲁棒性。通过优化仿射变换以最大化ELBO,所提出的AVAE将输入转换为训练分布而不需要增加模型复杂度以模拟仿射变换的完整分布。此外,我们引入了一个培训程序,通过学习训练分布的子集来创建有效的模型,并使用AVAE来改善分布式移位证明时间的泛化和鲁棒性。对仿射扰动的实验表明,所提出的AVAE显着改善了仿射扰动形式的分布均匀性的推广和鲁棒性,而不增加模型复杂性。
translated by 谷歌翻译
本文介绍了自动驾驶汽车的算法和系统架构。引入的车辆由设计用于鲁棒性,可靠性和可扩展性的软件栈提供动力。为了自主地绕过先前未知的轨道,所提出的解决方案结合了来自不同机器人领域的技术的状态。具体而言,感知,估计和控制被合并到一个高性能自主车辆中。这个复杂的机器人系统由AMZ Driverless和ETHZurich开发,在我们参加的每个比赛中获得第一名:Formula StudentGermany 2017,Formula Student Italy 2018和Formula Student Germany 2018. Wediscuss这些比赛的结果和学习,并对每个模块进行实验评估我们的解决方案
translated by 谷歌翻译
我们建议使用随机变分帧预测深度神经网络,其中学习的先验分布训练在二维雨雷达反射率图上,用于降水临近预报,导致时间高达2 1/2小时。我们提出了与标准卷积LSTM网络的比较,并评估了两种方法的结构相似性指数的演变。案例研究表明,新方法可以产生有意义的预测,而不会在感兴趣的时间范围内过度模糊。
translated by 谷歌翻译
涉及多艘船舶的海上碰撞被认为是罕见的,但在2017年,美国海军的几艘船只涉及致命的海上碰撞,导致17名美国军人死亡。本文介绍的实验是对这些事件的直接反应。我们提出了一种基于视频图像处理的舰载碰撞 - 海上避让系统,它将有助于确保海上船只的安全驻留和导航。我们的系统利用在合成海事图像上训练的卷积神经网络,以便在场景中检测附近的船只,对检测到的船只进行航向分析,并在入境船舶存在的情况下提供analert。此外,我们还提供了导航危害 - 合成(NAVHAZ-Synthetic)数据集。该数据集包括从虚拟船载摄像机观察到的十个船级的一百万个注释图像,以及人类“Topside Lookout”视角。 NAVHAZ-Synthetic包括显示不同海况,光照条件和光学降解(如雾,海浪和盐积累)的图像。我们展示了在基于计算机视觉的海上碰撞预警系统中使用合成图像的结果,该系统具有良好的性能。
translated by 谷歌翻译
在本文中,我们利用生成对抗网络和基于条件随机场(GAN-CRF)的框架来解决高光谱图像(HSI)分类任务,该框架集成了半监督深度学习和概率图形模型,并做出了三个贡献。首先,我们设计了四种类型的卷积和转置卷积层,它们考虑了HSI的特征,以帮助从有限数量的标记HSI样本中提取判别特征。其次,我们构建了受监督的GAN,通过添加标签来缓解训练样本的不足,并通过对抗训练隐式重建真实的HSI数据分布。第三,我们在随机变量的顶部建立密集的条件随机场(CRF),这些随机变量被初始化为训练的GAN的softmax预测,并以HSI为条件来改进分类图。这个半监督框架利用判别和生成模型的优点通过游戏理论方法。此外,尽管我们从两个最具挑战性和广泛研究的数据集中使用了非常少量的标记训练HSI样本,但实验结果表明,谱空间GAN-CRF(SS-GAN-CRF)模型达到了半监督HSI分类的排序精度。
translated by 谷歌翻译
由于持久性图不允许内部产品结构,因此需要在Hilbert空间中映射才能使用内核方法。如果此类映射必然会扭曲持久性图表上的度量标准,则很自然。 Weshow表示具有瓶颈距离的持久性图表不允许将嵌入到Hilbert空间中。作为我们证明的一部分,我们展示了任何可分离的,有界的度量空间等距嵌入到具有瓶颈距离的持久性图的空间中。作为推论,我们还计算了这个空间的广义圆度,负数类型和渐近维数。
translated by 谷歌翻译
在这项研究中,我们介绍了EdgeSegNet,一种紧凑的深度卷积神经网络,用于语义分割任务。利用人机协同设计策略创建EdgeSegNet,其中原则性网络设计原型与机器驱动的设计探索相结合,创建具有针对任务定制的定制模块级宏架构和微架构设计的网络。实验结果表明,EdgeSegNet可以实现与更大和计算复杂的网络(比RefineNet更小的模型大小)相当的语义分割精度,以及在NVidia Jetson AGXXavier上实现~38.5 FPS的推理速度。因此,拟议的EdgeSegNet非常适合低功耗边缘场景。
translated by 谷歌翻译
强化学习(RL)能够通过解决自主管理无固定,资源受限设置的问题来管理无线,能量收集物联网节点。我们表明,RL的最先进的政策梯度方法适用于IoT域,并且它们优于以前的方法。由于具有模拟连续观察和动作空间的能力,以及改进的功能近似能力,新方法能够解决更难的问题,允许奖励功能更好地与实际应用目标一致。我们展示了这样的奖励功能,并使用策略梯度方法容忍有能力的策略,导致更适合物联网节点的行为,无需手动设计工作,提高了物联网的自治水平。
translated by 谷歌翻译
神经机器翻译 - 使用神经网络翻译人类语言 - 是一个积极研究探索新神经元类型和网络拓扑的领域,其目标是显着提高机器翻译性能。当前最先进的方法,例如基于多头注意的变换器,需要非常大的翻译语料库和许多标准来产生合理质量的模型。最近尝试将多个节点上的官方TensorFlow“Transformer”模型并行化由于过多的内存使用而导致出现问题,并且在执行MPI集合时导致内存错误。本文描述了对基于霍罗德MPI的分布式训练框架的修改,通过将假设稀疏张量转换为密集张量来减少变换器模型的内存使用,并随后用密集梯度减少代替稀疏梯度聚集。结果是横向扩展能力显着增加。 ,使用Stampede2超级计算机,仅使用CPU的扩展测试可实现高达1200 MPI进程(300个节点)的91%弱缩放效率,以及高达65%的高扩展效率,高达400 MPI进程(200个节点)。
translated by 谷歌翻译