Optimization problems with more than one objective consist in a very attractive topic for researchers due to its applicability in real-world situations. Over the years, the research effort in the Computational Intelligence field resulted in algorithms able to achieve good results by solving problems with more than one conflicting objective. However, these techniques do not exhibit the same performance as the number of objectives increases and become greater than 3. This paper proposes an adaptation of the metaheuristic Fish School Search to solve optimization problems with many objectives. This adaptation is based on the division of the candidate solutions in clusters that are specialized in solving a single-objective problem generated by the decomposition of the original problem. For this, we used concepts and ideas often employed by state-of-the-art algorithms, namely: (i) reference points and lines in the objectives space; (ii) clustering process; and (iii) the decomposition technique Penalty-based Boundary Intersection. The proposed algorithm was compared with two state-of-the-art bio-inspired algorithms. Moreover, a version of the proposed technique tailored to solve multi-modal problems was also presented. The experiments executed have shown that the performance obtained by both versions is competitive with state-of-the-art results.
translated by 谷歌翻译
评估图像处理技术功效的传统指标无法理解现代图像处理方法的能力和局限性 - 特别是那些通过深度学习实现的方法。在工程解决方案中应用图像处理时,科学家或工程师需要使用clearmetrics来证明他们的设计决策。通过在图像处理之前和之后应用盲/无参考图像空间质量(BRISQUE),结构相似性(SSIM)指数得分和峰值信噪比(PSNR),我们可以以有意义的方式量化质量改进并确定给定方法的最低可恢复图像质量。
translated by 谷歌翻译
行人和车辆经常在复杂的城市交通中共享道路。这导致车辆和行人之间的相互作用,同时影响对方的运动。为了创建可靠的方法来推理行人行为并设计自驾车和行人之间的通信接口,我们需要更好地理解这种交互。在本文中,我们提出了一种数据驱动的方法来隐式模拟行人与车辆的相互作用,以更好地预测行人行为。我们提出了一种LSTM模型,该模型将行人和自我车辆的过去轨迹以及行人头部方向作为输入,并预测行人的未来位置。我们基于使用车载摄像头拍摄的真实世界内城数据集的实验表明,与基准线使用过去的行人轨迹相比,此类线索的使用改善了行人预测。
translated by 谷歌翻译
在广义线性估计(GLE)问题中,我们寻求估计通过线性变换观察到的信号,然后是分量,可能是非线性和噪声的信道。在贝叶斯最优设置中,已知广义近似消息传递(GAMP)实现GLE的最佳性能。然而,只要假设和真实生成模型之间存在不匹配,其性能就会显着降低,这种情况在实践中经常遇到。在本文中,我们提出了一种新算法,称为广义近似测量传播(GASP),用于在存在先验或模型误规范的情况下求解GLE。作为原型示例,我们考虑相位检索问题,其中我们显示GASPout执行相应的GAMP,降低重建阈值,并且对于其参数的某些选择,接近贝叶斯最优性能。此外,我们提出了一组状态演化方程,它可以在高维极限中表征GASP的动力学。
translated by 谷歌翻译
我们提出了一个结合了分层规划和机器学习的思想的导航系统。该系统使用传统的全局规划器来计算朝向目标的最佳路径,并使用深度局部轨迹规划器和速度控制器来计算运动命令。系统的后者组件通过注意机制调整机器人的行为,使其朝向目标移动,避开障碍物,并尊重近距离行人的空间。所提出的深度模型的结构和使用注意机制都使得系统的执行可以解释。我们的仿真实验表明,所提出的架构优于基线,可以将全局计划信息和传感器数据直接映射到velocitycommands。与手工设计的传统导航系统相比,所提出的方法表现出更一致的性能。
translated by 谷歌翻译
对高质量和低延迟多媒体服务的不断增长的需求引起了对边缘缓存技术的极大兴趣。受此启发,我们在本文中考虑了具有未知内容普遍性分布的基站的边缘缓存。为了解决制定高速缓存决策的动态控制问题,我们提出了一种基于深度行为者 - 强化学习的多智能体框架,旨在最小化整体平均传输延迟。为了评估提出的框架,我们将基于学习的性能与其他三种缓存策略进行比较,即最近最少使用(LRU),最少使用(LFU)和先进先出(FIFO)策略。通过仿真结果,已经确定了这三种缓存算法的提议框架的性能改进,并证明了它适应不同环境的优越性。
translated by 谷歌翻译
我们考虑用于表示车辆动力学的神经网络的在线适应问题。神经网络模型旨在由MPC控制法使用以自主地控制车辆。这个问题具有挑战性,因为输入和目标分布都是非平稳的,而在线适应的天真方法会导致灾难性的遗忘,从而导致控制器故障。我们提出了一种新颖的在线学习方法,它将伪排练方法与局部加权投影回归相结合。我们证明了在模拟中使用局部加权投影回归伪排练(LW-PR $ ^ 2 $)方法的有效性以及使用1/5比例自动驾驶车辆收集的大型真实世界数据集。
translated by 谷歌翻译
许多人类活动需要几分钟才能展开。为了表示它们,相关工作选择统计池,忽略时间结构。其他选择卷积方法,如CNN和非局部。虽然成功地学习时间概念,但它们缺乏对长达数分钟的时间依赖性的建模。我们提出VideoGraph,一种实现最佳双重世界的方法:代表长达数分钟的人类活动并学习其基本的时间结构。 VideoGraph学习基于图形的人类活动表示。图形,其节点和边缘完全从视频数据集中学习,使得VideoGraph适用于没有节点级别注释的问题。结果是对基准测试的相关工作进行了改进:Epic-Kitchen和Breakfast。此外,我们证明VideoGraph能够在长达数分钟的视频中容忍人类活动的时间结构。
translated by 谷歌翻译
视觉运动估计是自主导航中不可或缺的一个充分研究的挑战。最近的工作集中在解决多动态估计,这在高度动态的环境中尤其具有挑战性。这样的环境不仅包括多个复杂的运动,而且还倾向于表现出明显的遮挡。多目标跟踪的先前工作侧重于保持对象轨道的完整性,但通常依赖于特定的基于外观的描述符或受约束的运动模型。这些方法在特定应用中非常有效,但不能推广到完全的多运动估计问题。本文通过采用物理创建的运动先验,将多运动视觉测距(MVO)管道扩展到通过遮挡(包括摄像机运动)进行多个运动估计。这允许管道连续地估计场景中每个运动的完整轨迹并且识别何时暂时遮挡的运动变得不被遮挡。根据OxfordMultimotion数据集的实际数据评估管道的估算性能。
translated by 谷歌翻译
虽然目前的通用游戏(GGP)系统促进了用于游戏的人工智能(AI)的有用研究,但它们通常是特定的,并且计算效率低。在本文中,我们描述了一个名为Ludii的“ludemic”通用游戏系统的初始版本,该系统具有为AI研究人员以及相关领域的游戏设计师,历史学家,教育工作者和从业者提供有效工具的潜力。 Ludiidefines游戏作为ludemes的结构,即高级,易于理解的游戏概念。我们通过概述其主要优点来建立Ludii的基础:通用性,可扩展性,可理解性和效率。实验上,Ludii优于Tiltyard GGP存储库中所有可用游戏的基于命题网络的最有效的Game DescriptionLanguage(GDL)reasoners之一。
translated by 谷歌翻译