通过采用卷积神经网络（CNN）进行电路结构的分割，深度学习在具有挑战性的电路注释任务中取得了巨大的成功。深度学习方法需要大量手动注释的培训数据才能实现良好的性能，如果在给定数据集上培训的深度学习模型被应用于其他数据集，则可能导致性能降解。这通常称为电路注释的域移位问题，这源于不同图像数据集的分布的较大变化。可以从单个设备中的不同设备或不同层获得不同的图像数据集。为了解决域移位问题，我们提出了直方图门控图像翻译（HGIT），这是一个无监督的域适应框架，将图像从给定的源数据集转换为目标数据集的域，并利用转换的图像来训练段网络。具体而言，我们的HGIT执行基于生成的对抗网络（GAN）的图像翻译，并利用直方图统计数据进行数据策划。实验是在适应三个不同目标数据集（无标签的单个标记源数据集上进行的，并评估了每个目标数据集的分割性能。我们已经证明，与报道的域适应技术相比，我们的方法达到了最佳性能，并且还可以合理地接近完全监督的基准。
translated by 谷歌翻译
The last few years have seen a lot of work to address the challenge of low-latency and high-throughput convolutional neural network inference. Integrated photonics has the potential to dramatically accelerate neural networks because of its low-latency nature. Combined with the concept of Joint Transform Correlator (JTC), the computationally expensive convolution functions can be computed instantaneously (time of flight of light) with almost no cost. This 'free' convolution computation provides the theoretical basis of the proposed PhotoFourier JTC-based CNN accelerator. PhotoFourier addresses a myriad of challenges posed by on-chip photonic computing in the Fourier domain including 1D lenses and high-cost optoelectronic conversions. The proposed PhotoFourier accelerator achieves more than 28X better energy-delay product compared to state-of-art photonic neural network accelerators.
translated by 谷歌翻译
国家估计是许多机器人应用中的重要方面。在这项工作中，我们考虑通过增强状态估计算法中使用的动力学模型来获得机器人系统的准确状态估计的任务。现有的框架，例如移动视野估计（MHE）和无气味的卡尔曼过滤器（UKF），为合并非线性动力学和测量模型提供了灵活性。但是，这意味着这些算法中的动力学模型必须足够准确，以保证状态估计的准确性。为了增强动力学模型并提高估计准确性，我们利用了一个深度学习框架，称为基于知识的神经普通微分方程（KNODES）。 KNODE框架将先验知识嵌入到训练过程中，并通过将先前的第一原理模型与神经普通微分方程（NODE）模型融合来合成精确的混合模型。在我们提出的最新框架中，我们将数据驱动的模型集成到两种基于新型模型的状态估计算法中，它们表示为Knode-Mhe和Knode-UKF。在许多机器人应用中，将这两种算法与它们的常规对应物进行了比较。使用部分测量值，地面机器人的定位以及四型二次估计的状态估计。通过使用现实世界实验数据的模拟和测试，我们证明了所提出的学习增强状态估计框架的多功能性和功效。
translated by 谷歌翻译
本文介绍了Augraphy，这是一个旨在用于文档图像的现实数据增强策略的Python软件包。Augraphy使用许多不同的增强策略来产生增强版本的干净文档图像，这些图像似乎已经从标准的办公室操作中扭曲了，例如打印，扫描和传真通过旧机器或肮脏的机器，随着时间的推移降解，以及手写的标记。Augraphy既可以用作（1）为文档De-Noinging等任务生成多样化的培训数据的数据增强工具，以及（2）生成具有挑战性的测试数据，以评估文档图像建模任务上的模型鲁棒性。本文概述了Augraphy，并提供了三个示例稳健性测试AUGRAPHY的用例。
translated by 谷歌翻译
细粒度的动作识别是计算机视觉中的一项具有挑战性的任务。由于细粒的数据集在空间和时间空间中具有较小的类间变化，因此细粒度的动作识别模型需要良好的时间推理和属性动作语义的歧视。利用CNN捕获高级时空特征表示能力以及变压器在捕获潜在语义和全球依赖性方面的建模效率，我们研究了两个结合CNN视觉骨干和变压器编码器以增强良好粒度动作识别的框架：1）基于编码器学习潜在的时间语义，以及2）多模式视频文本交叉编码器，以利用其他文本输入并学习视觉语义和文本语义之间的交叉关联。我们的实验结果表明，我们的变压器编码器框架有效地学习潜在的时间语义和跨模式关联，并且比CNN视觉模型改善了识别性能。我们在firgym基准数据集上实现了新的最先进的性能，用于两种拟议的架构。
translated by 谷歌翻译
在这项工作中，我们考虑了在线环境中提高模型预测控制（MPC）动态模型准确性的任务。即使可以学习预测模型并将其应用于基于模型的控制器，但这些模型也经常离线学习。在此离线环境中，首先收集培训数据，并通过详细的培训程序来学习预测模型。将模型训练至所需的精度后，然后将其部署到模型预测控制器中。但是，由于模型是离线学习的，因此它不适合部署过程中观察到的干扰或模型错误。为了提高模型和控制器的适应性，我们提出了一个在线动力学学习框架，该框架不断提高部署过程中动态模型的准确性。我们采用基于知识的神经普通微分方程（KNODE）作为动态模型，并使用受转移学习启发的技术来不断提高模型的准确性。我们通过四型机器人证明了框架的功效，并在模拟和物理实验中验证框架。结果表明，所提出的方法能够说明可能段时间变化的干扰，同时保持良好的轨迹跟踪性能。
translated by 谷歌翻译
对置换代码进行了广泛的研究，以纠正电源线通信上的应用程序和闪存等级调制的不同类型的错误。在本文中，我们介绍了置换代码的神经网络解码器，以单发解码纠正这些错误，这些解码将解码视为$ n $分类任务的非二进制符号，用于长度$ n $的代码。这些实际上是引入的第一个通用解码器，用于处理这两个应用程序的任何错误类型。通过具有不同误差模型的模拟来评估解码器的性能。
translated by 谷歌翻译
我们提出了一种有效的神经邻域搜索（N2S），以解决取货和交付问题（PDPS）。具体而言，我们设计了强大的综合注意力，可以使香草自我注意力综合有关路线解决方案的各种特征。我们还利用了两个自定义的解码器，它们会自动学习执行拾取节点对的删除和重新插入以应对优先限制。此外，利用多样性增强方案以进一步改善性能。我们的N2是通用的，并且对两个规范PDP变体进行了广泛的实验表明，它可以在现有神经方法之间产生最新的结果。此外，它甚至超过了众所周知的LKH3求解器在更受限的PDP变体上。我们针对N2S的实施可在线获得。
translated by 谷歌翻译
对世界各地的急诊部门（ED）服务的需求不断增长，特别是在Covid-19大流行下。风险三环在优先考虑最需要它们的患者的有限医疗资源方面发挥着至关重要的作用。最近，普遍使用电子健康记录（EHR）已经产生了大量的存储数据，伴随着开发可改善紧急护理的预测模型的巨大机会。然而，没有基于大型公共EHR的广泛接受的ED基准，这是新的研究人员可以轻松访问的基准。填补这种差距的成功可以使研究人员更快，方便地开始研究，而无需详细数据预处理，并促进不同研究和方法之间的比较。在本文中，基于医疗信息MART为重症监护IV急诊部门（MIMIC-IV-ED）数据库，我们提出了一款公共ED基准套件，并获得了从2011年到2019年的50万ED访问的基准数据集。三个ed已经介绍了基于预测任务（住院，关键结果和72小时ED Revisit），其中实施了各种流行的方法，从机器学习方法到临床评分系统进行了实施。他们的性能结果评估并进行了比较。我们的代码是开源，因此任何具有访问模仿-IV-ED的人都可以遵循相同的数据处理步骤，构建基准，并重现实验。本研究提供了洞察力，建议，以及未来研究人员的协议，以处理原始数据并快速建立紧急护理模型。
translated by 谷歌翻译
在这项工作中，我们考虑使用应用于四逆床控制的模型预测控制（MPC）导出和加入准确动态模型的问题。 MPC依赖于精确的动态模型来实现所需的闭环性能。然而，在复杂系统中存在不确定性以及他们在其运行的环境中的存在在获得对系统动态的充分准确表示方面构成挑战。在这项工作中，我们利用深度学习工具，基于知识的神经常规方程（KNODE），增强了从第一原理获得的模型。由此产生的混合模型包括来自模拟或现实世界实验数据的标称第一原理模型和神经网络。使用四轮压力机，我们将混合模型用于针对最先进的高斯过程（GP）模型，并表明混合模型提供了Quadrotor动态的更准确的预测，并且能够概括超出训练数据。为了提高闭环性能，混合模型集成到新的MPC框架中，称为KNODE-MPC。结果表明，就轨迹跟踪性能而言，综合框架在物理实验中达到了60.2％的仿真和21％以上。
translated by 谷歌翻译