Autonomous navigation for large Unmanned Aerial Vehicles (UAVs) is fairlystraight-forward, as expensive sensors and monitoring devices can be employed.In contrast, obstacle avoidance remains a challenging task for Micro AerialVehicles (MAVs) which operate at low altitude in cluttered environments. Unlikelarge vehicles, MAVs can only carry very light sensors, such as cameras, makingautonomous navigation through obstacles much more challenging. In this paper,we describe a system that navigates a small quadrotor helicopter autonomouslyat low altitude through natural forest environments. Using only a single cheapcamera to perceive the environment, we are able to maintain a constant velocityof up to 1.5m/s. Given a small set of human pilot demonstrations, we use recentstate-of-the-art imitation learning techniques to train a controller that canavoid trees by adapting the MAVs heading. We demonstrate the performance of oursystem in a more controlled environment indoors, and in real natural forestenvironments outdoors.
translated by 谷歌翻译
虽然在药物发现中使用深度学习正在获得越来越多的注意,但是缺乏计算神经网络预测中的可靠误差的方法使得它们的应用无法指导识别不可靠预测的领域中的决策,例如,精确医学。在这里,我们提出了一个框架来计算使用测试时丢失和共形预测的神经网络预测中的可靠误差。具体来说,该算法包括使用丢失训练单个神经网络,然后将N次应用于验证和测试集,同时在此步骤中采用dropout。因此,对于验证和测试集中的每个实例,都会生成一组预测。然后使用保形集的预测中的残差和绝对误差用于使用保形预测来计算测试集实例的预测误差。我们展示了使用来自ChEMBL 23的24个生物活性数据集,即退出的共形预测器是有效的(即,其真值位于预测区间内的实例的分数与置信水平强烈相关)和效率,因为预测的置信区间跨越比计算的更窄的值集。使用随机森林(RF)模型生成的Conformal Predictors。最后,我们在回顾性虚拟筛选实验中表明,辍学和基于RF的Conformal Predictors可以获得可比较的活性化合物回收率。总的来说,我们提出了一种计算效率高的框架(因为除了训练单个网络之外只需要N个额外的前向传递)来利用测试时间丢失和共形预测框架,从而为深度神经网络生成可靠的预测误差。
translated by 谷歌翻译
在这项工作中,提出了一个进化艺术项目,其中图像区域通过不同类型的透明,重叠和几何形状(例如,多边形,圆形,线条)进行近似。表示几何形状的特征和顺序的基因型利用适应度函数进化,该适应度函数具有输入图像的相应像素作为目标目标。因此,将基因型 - 表型作图应用于渲染图像,因为选择的遗传表示是间接的,即基因型不包括像素,而是形状与其性质的组合。形状,形状数量,突变类型和种群的不同组合进行了测试。这里的工作目标有两个:(1)用进化的间接编码尽可能精确地近似图像,(2)产生视觉上吸引人的结果和新颖的艺术风格。
translated by 谷歌翻译
复杂词识别(CWI)的任务是识别目标受众难以理解的句子中的哪些词语。最近的CWI共享任务发布了两种设置的数据:单语(即同一语言的训练和测试)和跨语言(即用训练期间未看到的语言进行测试)。最好的单语模型依赖于语言依赖的特征,这些特征在交叉语言环境中并不一致,而最佳的语言模型则使用具有多任务学习的神经网络。在本文中,我们提出了单语和跨语言CWI模型,这些模型的表现与提交给最新CWI共享任务的大多数模型相同(或更好)。通过精心挑选的功能和简单的学习模型,可以实现最先进的性能,并为该领域的未来发展奠定坚实的基础。最后,我们讨论了数据注释中的不一致性如何解释所获得的一些结果。
translated by 谷歌翻译
近年来,神经网络在诸如物体识别之类的领域中已经超过了经典算法,例如,在众所周知的ImageNet挑战中。因此,正在努力开发快速有效的加速器,特别是对于卷积神经网络(CNN)。在这项工作中,我们展示了一个完全C可编程处理器ConvAix,它与许多现有架构相反,不依赖于多线和累加(MAC)单元的硬连线阵列。相反,它使用精心设计的矢量指令集将计算映射到独立的矢量通道。所提出的处理器针对延迟敏感的应用程序,并且每个周期能够执行多达192个MAC操作。 ConvAix在28nm CMOS中以400 MHz的目标时钟频率运行,从而在其目标域内提供最佳性能并具有适当的灵活性。来自众所周知的CNN(AlexNet,VGG-16)的几个2D卷积层的仿真结果显示使用16位定点算法的矢量指数,平均ALU利用率为72.5%。与其他灵活性较低的知名设计相比,ConvAix提供高达497 GOP / s / W的竞争能效,同时在面积效率和处理速度方面甚至超过它们。
translated by 谷歌翻译
机器学习的许多实际应用需要数据有效的黑盒功能优化,例如,识别超参数或过程设置。然而,容易获得的算法通常被设计为通用优化器,因此对于特定任务而言通常是次优的。因此,提出了一种学习优化器的方法,该优化器自动适应于给定类别的目标函数,例如,在sim-to-realapplications的上下文中。所提出的方法不是从头开始学习优化,而是基于着名的贝叶斯优化框架。只有采集函数(AF)被学习的神经网络所取代,因此得到的算法仍然能够利用高斯过程的经过验证的广义化能力。我们在几个模拟以及模拟到真实传输任务上进行实验。结果表明,学习的优化器(1)在一般函数类上始终表现优于或与已知AF相媲美,并且(2)可以使用廉价模拟自动识别函数类的结构属性并转换该知识以快速适应实际硬件任务,从而显着优于现有的与问题无关的AF。
translated by 谷歌翻译
我们将Polyak-Ruppert平均随机梯度下降(SGD)的非渐近收敛速度提供给一类可区分的测试函数的正态随机向量。一个关键的中间步骤是证明非渐近鞅中心极限定理(CLT),即建立多变量鞅差序列与正常随机向量的收敛性,这可能是独立的关注点。我们使用斯坦方法和林德伯格论证的组合获得多变量鞅CLT的显式率,然后将其与[PJ92]中提出的平均SGD的非渐近分析结合使用。我们的结果对于使用SGD进行参数估计的计算置信区间以及使用在非渐近意义上有效的SGD构建假设检验具有潜在的有趣结果。
translated by 谷歌翻译
事实核查是新闻业的一项重要任务;由于最近越来越多的关注和努力打击信息,其重要性得到了高度重视。在本文中,我们提出了一个自动事实检查平台,它给出了一个主张,它从文档集中检索相关的文本证据,预测每一个证据是否支持或驳斥该声明,并返回最终判决。我们描述了系统和用户界面的体系结构,重点关注为提高用户友好性和透明度而做出的选择。我们在新闻环境中对事实检查平台进行用户研究:我们将其与新闻文章的集合进行整合,并使用他们工作流程中记者的反馈来评估平台。我们发现平台的预测值在58%以上是正确的,59%的返回证据是相关的。
translated by 谷歌翻译
单光子雪崩二极管(SPAD)开始在光子高效的远程LiDAR系统的开发中发挥关键作用。然而,由于它们的图像形成模型中的吨 - 线性,高光子通量(例如,强烈的太阳光)导致入射时间波形的失真,并且潜在地导致大的深度误差。在低通量状态下操作SPAD可以解决这些失真,但是,通常需要衰减信号和脉冲,导致低信噪比。在本文中,我们讨论了以下基本问题:基于SPAD的LiDAR应该在哪个最佳光子通量?我们推导出最佳流量的闭合形式表达式,它是准深度不变的,并且取决于环境光强度。最佳通量低于SPAD通常在真实场景中测量的通量,但令人惊讶的是,它远远高于传统建议用于避免失真的情况。我们提出了一种简单的自适应方法,通过衰减基于环境光强度估计的入射通量来实现最佳通量。使用广泛的模拟和硬件原型,我们表明,在广泛的照明条件下,最佳通量标准适用于几个深度估算器。
translated by 谷歌翻译
当廉价获得时,显着地使用多保真方法,但是可能存在偏差和噪声,观察必须与有限或昂贵的真实数据有效地组合以构建可靠的模型。这两个基本的机器学习过程,如贝叶斯优化,以及更实际的科学和工程应用。本文我们开发了一种新的多保真模型,将高斯过程层作为保真度水平处理,并使用变分推理方法进行传播。他们的不确定性。这允许捕获保真度之间的非线性相关性,其中过度拟合利用组成结构的现有方法的风险较低,这相反地受到结构假设和约束的影响。我们表明,所提出的方法在多保真设置中量化和传播不确定性方面取得了实质性的改进,从而提高了决策管道的有效性。
translated by 谷歌翻译