这项工作涉及一个移动的目标,追逐在杂乱的环境中配备视觉传感器的飞行器的任务。与无障碍或稀疏环境相比,追踪者应该能够在飞行效率的同时进行手动和闭塞。为了通过实时重新计划来解决这些挑战,我们引入了一个指标Fortarget可见性并提出了一个级联追逐计划器。通过图搜索方法,我们首先生成一系列追逐走廊和路径,确保安全并优化可见性。在接下来的阶段,走廊和航路点被用作二次编程中的约束和客观,我们从中完成一个动态可行的追踪轨迹。该算法在多种密集环境中进行了测试。具有完整代码实现和GUI的模拟器AutoChaser可以在以下网址找到://github.com/icsl-Jeon/traj_gen_vis
translated by 谷歌翻译
鉴于最近NaturalLanguage Processing的转移学习取得了突破,自然语言推理取得了很大进展。不同的模型现在在SNLI,MNLI和SciTail等流行的推理数据集中呈现出高精度。同时,有不同的指示者可以通过使用一些简单的语言模式来利用这些数据集。这一事实给我们理解机器学习模型的实际能力以解决文本推理的复杂任务带来了困难。我们提出了一组新的任务,需要具有特定能力的过度语言逻辑形式,例如:i)布尔协调,ii)量词,iii)明确描述,以及iv)计算运算符。通过评估我们的分层数据集的模型,我们可以更好地确定模型在每种文本结构中的具体推理难度。我们评估隐含利用语言结构的两种神经模型:recurrentmodels和Transformer network BERT。我们表明,尽管BERT显然更有效地概括了大多数逻辑形式,但在处理计数操作符时仍有改进的空间。
translated by 谷歌翻译
目标识别是在给定一组目标假设,域模型和正在执行的计划的(可能是嘈杂的)样本的情况下推断出针对执行计划的正确目标的问题。这是合作和竞争性代理人互动中的关键问题,并且最近的方法产生了快速且准确的目标识别算法。在本文中,使用线性程序计算的算子计数启发式算法在经典规划问题的约束下计算,以解决目标识别问题。我们的方法使用从观察中导出的附加的算子计数约束来有效地推断出正确的目标,并且作为具有附加约束的许多其他方法的基础。
translated by 谷歌翻译
本文描述了由Universidade Federal do Rio Grande do Sul(UFRGS)团队开发的用于生物医学翻译共享任务的机器翻译系统。我们的系统分别使用Moses和OpenNMTtoolkits进行统计机器翻译和神经机器翻译。我们参加了四个英语/西班牙语和英语/葡萄牙语对的翻译指导。为了创建我们的trainingdata,我们连接了几个并行语料库,包括域内和域外源,以及来自UMLS的术语资源。根据官方共享的量化评估,Oursystems取得了最佳的BLEU分数。
translated by 谷歌翻译
Scielo数据库是LatinAmerica中重要的科学信息来源,包含来自多个研究领域的文章。 Scielo的一个引人注目的特点是它的许多全文内容都以不止一种语言呈现,因此是并行语料库的潜在来源。在本文中,我们介绍了Scielo三种并行语料库的开发:英语,葡萄牙语,和西班牙语。对于所有语言对,使用Hunalign算法自动对齐句子,对于三语文章的子集也使用自动对齐句子。我们通过为每个语言对训练统计机器翻译系统(摩西)来证明我们的语料库的能力,其优于科学文章的相关作品。还手动评估了句子对齐,在所有语言中平均呈现98.8%正确对齐的句子。我们的并行语料库以TMX格式免费提供,并提供有关文章元数据的补充信息。
translated by 谷歌翻译
在巴西,负责监督和协调邮政研究生课程的政府机构CAPES记录了该国提出的所有论文和论文。有关此类文件的信息可以在论文和论文目录(TDC)中在线访问,该目录包含葡萄牙语和英语的摘要以及其他元数据。因此,该数据库可以成为葡萄牙语和英语语言的并行语料库的潜在来源。在本文中,我们介绍了TDC并行语料库的开发,CAPES在开放数据计划下提供了该文档。使用Hunaligntool收集并汇总了大约240,000份文档。我们通过针对两种语言方向的训练统计机器翻译(SMT)和神经机器翻译(NMT)模型展示我们开发的语料库的能力,然后与GoogleTranslate(GT)进行比较。两种翻译模型都提供了比GT更好的BLEU分数,NMT系统是最准确的。句子对齐也进行了人工评估,平均表达率为82.30%。我们的并行语料库以TMX格式免费提供,包含有关文档元数据的重要信息
translated by 谷歌翻译
BVS数据库(健康虚拟图书馆)是拉丁美洲和加勒比的生物医学信息的集中来源,于1998年创建,并与BIREME(Biblioteca Regional de Medicina)协调,与泛美卫生组织(OPAS)达成协议。摘要有英语,西班牙语和葡萄牙语,有一种语言的子集,因此是平行语料库的可能来源。在本文中,我们以三种语言呈现BVS并行语料库的开发:英语,葡萄牙语和西班牙语。使用EN / ES和EN / PT语言对的Hunalign算法自动对齐句子,并且也为一部分语言文章自动对齐句子。我们通过为每种语言对训练神经机器翻译(OpenNMT)系统来证明我们语料库的能力,该系统的表现优于科学生物医学文章的相关工作。句子对齐也是人工评估的,在所有语言中平均有96%的正确对齐句子。我们的平行语料库是免费提供的,具有关于文章元数据的补充信息。
translated by 谷歌翻译
多视图立体声旨在从任意运动下的相机获取的图像重建场景深度。最近的方法通过深度学习来解决这个问题,深度学习可以利用语义线索来处理诸如无纹理和反射区域之类的挑战。在本文中,我们提出了一个名为DPSNet(深度平面扫描网络)的卷积神经网络,其设计受到传统几何体密集深度重建方法的最佳实践的启发。 DPSNet采用平面扫描方法,而不是直接从图像对中估计深度和/或光流对应,而是采用平面扫描算法从深度特征构建成本量,通过上下文感知来规范成本量成本聚合,并从成本量回归密集深度图。成本量使用可区分的变形过程构建,允许对网络进行端到端的训练。通过在一个深度学习框架内有效地结合传统的多视图立体概念,DPSNet在各种具有挑战性的数据集上实现了最先进的重建结果。
translated by 谷歌翻译
本文讨论了教育数据挖掘中的一个关键挑战,即模拟学生的行为轨迹,以便为识别最危险的学生提供一种手段,目的是提供支持性干预。虽然许多形式的数据(包括点击流数据或来自传感器的数据)已广泛用于此类目的的时间序列模型中,但在本文中,我们探讨了文本数据的使用,有时可在大学在线大学的学生记录中使用。我们提出了一个时间序列模型,它使用滑动数据和从分配给每个学生的人类导师记录的文本笔记中提取的信号构建演化的学生状态表示。我们探讨了这种文本数据的添加如何提高学生国家的预测能力,以便识别处于课程失败风险中的学生,以及提供关于学生课程参与过程的可解释的见解。
translated by 谷歌翻译
通过使用自动规划技术,可以有效地完成从缺失和完整观察中识别目标和计划的任务。在许多应用中,重要的是不仅要准确,而且要快速地识别目标和计划。为了应对这一挑战,我们基于依赖规划地标的规划技术开发了新的目标识别方法。在自动规划中,地标是无法实现目标的属性(或动作)。我们展示了许多规划技术的适用性,重点是目标和计划识别任务的标志性设置:(1)我们使用地标的概念来开发目标识别启发式; (2)我们开发了一种基于地标的过滤方法,以改进现有的基于规划的目标和计划识别方法。这些识别方法在几个经典规划域的实验中进行了经验评估。我们表明,我们的目标识别方法不仅可以产生与其他最先进技术相当(并且通常高于其他技术)的准确度,而且还可以显着提高对这些技术的识别时间。
translated by 谷歌翻译