仇恨言语检测模型的性能取决于对模型的训练数据集。现有的数据集大部分是由有限数量的实例或定义仇恨主题的仇恨域准备的。这阻碍了关于仇恨领域的大规模分析和转移学习。在这项研究中，我们构建了大规模的推文数据集，以用英语和低资源语言（土耳其语）进行仇恨言论检测，每个人都由每个标签的100k推文组成。我们的数据集设计为在五个域上分布的推文数量相等。统计测试支持的实验结果表明，基于变压器的语言模型的表现优于传统词袋和神经模型的英语至少5％，而土耳其语则优于大规模仇恨言语检测。该性能也可扩展到不同的训练规模，在使用20％的培训实例时，将回收98％的英语表现和土耳其语的97％。我们进一步研究了仇恨领域之间跨域转移的概括能力。我们表明，其他英语域平均有96％的目标域性能恢复，而土耳其语为92％。性别和宗教更成功地概括到其他领域，而体育运动最大。
translated by 谷歌翻译
滑动检测对于在外星人表面驾驶的流浪者的安全性和效率至关重要。当前的行星流动站滑移检测系统依赖于视觉感知，假设可以在环境中获得足够的视觉特征。然而，基于视觉的方法容易受到感知降解的行星环境，具有主要低地形特征，例如岩石岩，冰川地形，盐散发物以及较差的照明条件，例如黑暗的洞穴和永久阴影区域。仅依靠视觉传感器进行滑动检测也需要额外的计算功率，并降低了流动站的遍历速率。本文回答了如何检测行星漫游者的车轮滑移而不取决于视觉感知的问题。在这方面，我们提出了一个滑动检测系统，该系统从本体感受的本地化框架中获取信息，该框架能够提供数百米的可靠，连续和计算有效的状态估计。这是通过使用零速度更新，零角度更新和非独立限制作为惯性导航系统框架的伪测量更新来完成的。对所提出的方法进行了对实际硬件的评估，并在行星 - 分析环境中进行了现场测试。该方法仅使用IMU和车轮编码器就可以达到150 m左右的92％滑动检测精度。
translated by 谷歌翻译
几年来，深度学习方法已成功地应用于遥感问题。在这些方法中，基于CNN的模型在使用卫星或空中图像解决土地分类问题方面具有很高的精度。尽管这些模型的精度很高，但通常具有较大的内存要求。另一方面，希望拥有用于应用程序的小型型号，例如在无人机上实施的应用程序，并且记忆空间较低。不幸的是，小型CNN型号与其大型版本那样不提供高精度。在这项研究中，我们提出了一种新颖的方法，可以通过向其注入传统特征来提高CNN模型的准确性，尤其是尺寸较小的方法。为了测试所提出方法的有效性，我们将其应用于CNN模型Squeezenet，MobilenetV2，ShufflenetV2，VGG16和Resnet50V2，其大小为0.5 MB至528 MB。我们使用了样本平均值，灰度合作矩阵特征，HU矩，局部二进制图案，定向梯度的直方图和颜色不变性作为传统的注射特征。我们在EuroSat数据集上测试了提出的方法，以执行土地分类。我们的实验结果表明，所提出的方法显着提高了土地分类精度，尤其是应用于小型CNN模型时。
translated by 谷歌翻译
数字虚假信息的传播（又称“假新闻”）可以说是互联网上最重要的威胁之一，它可能造成大规模的个人和社会伤害。虚假新闻攻击的敏感性取决于互联网用户在阅读后是否认为虚假新闻文章/摘要是合法的。在本文中，我们试图通过神经认知方法来深入了解用户对以文本为中心的假新闻攻击的敏感性。我们通过脑电图调查了与假/真实新闻有关的神经基础。我们与人类用户进行实验，以彻底调查用户对假/真实新闻的认知处理和认知处理。我们分析了不同类别新闻文章的假/真实新闻检测任务相关的神经活动。我们的结果表明，在人脑处理假新闻与真实新闻的方式上可能没有统计学意义或自动可推断的差异，而当人们受到（真实/假）新闻与安息状态甚至之间的差异时，会观察到明显的差异一些不同类别的假新闻。这一神经认知发现可能有助于证明用户对假新闻攻击的敏感性，这也从行为分析中得到了证实。换句话说，假新闻文章似乎与行为和神经领域的真实新闻文章几乎没有区别。我们的作品旨在剖析假新闻攻击的基本神经现象，并通过人类生物学的极限解释了用户对这些攻击的敏感性。我们认为，对于研究人员和从业者来说，这可能是一个显着的见解楷模
translated by 谷歌翻译
本文比较了自适应和强大的卡尔曼滤波器算法在改善低特色粗糙地形上改善车轮惯性内径术中的性能。方法包括经典的自适应和鲁棒方法以及变分方法，其在实验上在类似于行星勘探中遇到的地形的轮式漫游器上进行评估。与经典自适应滤光器相比，变分滤波器显示出改善的解决方案精度，并且能够处理错误的车轮测量测量，并保持良好的定位，无需显着漂移。我们还显示参数如何影响本地化性能的变化。
translated by 谷歌翻译
在这项工作中，我们展示了基于全球导航卫星系统（GNSS）的零速度信息的重要性。在文献中已经示出了使用零速度更新（Zupt）的零速度信息的有效性已经显示在文献中。在这里，我们利用此信息并将其添加为GNSS因子图中的位置约束。我们还将其性能与GNSS /惯用导航系统（INS）耦合因子图进行比较。我们在三个数据集上测试了我们的Zupt辅助因子图方法，并将其与仅限GNSS因子图进行了比较。
translated by 谷歌翻译