最近在许多不同的应用领域中对机器学习(ML)技术给予了极大的关注。本文提供了ML在电力线通信(PLC)中可以做什么的愿景。我们首先简要描述ML的经典公式,并将确定性问题与通信相关的统计问题区分开来。然后,我们讨论PLC中每层的ML应用,即表征和建模,物理层算法,媒体访问控制和网络算法。最后,分析了可以从ML的使用中受益的PLC的其他应用,如网格诊断。举例说明了数字示例,以便在该刺激信号/数据处理领域中验证想法并激励未来的研究工作。
translated by 谷歌翻译
Novel machine learning computational tools open new perspectives for quantum information systems. Here we adopt the open-source programming library Tensorflow to design multi-level quantum gates including a computing reservoir represented by a random unitary matrix. In optics, the reservoir is a disordered medium or a multimodal fiber. We show that trainable operators at the input and the readout enable to realize multi-level gates. We study single and qudit gates, including the scaling properties of the algorithms with the size of the reservoir. The development of multi-level quantum information processing systems has steadily grown over the past few years, with experimental realizations of multi-level, or qudit logic gates for several widely used photonic degrees of freedom such as orbital-angular-momentum and path encoding [1-4]. However, efforts are still needed for increasing the complexity of such systems while still being practical, with the ultimate goal of realizing complex large-scale computing devices that operate in a technologically efficient manner. A key challenge is the development of design techniques that are scalable and versatile. Recent work outlined the relevance of a large class of devices, commonly denoted as "complex" or "multimode." [5, 6] In these systems, many modes, or channels are mixed and controlled at input and readout to realize a target input-output operation. This follows the first experimental demonstrations of assisted light transmission through random media [7-10], which demonstrated many applications including arbitrary linear gates [5], mode conversion, and sorting [11, 12]. The use of complex mode-mixing devices is surprisingly connected to leading paradigms in modern machine learning (ML), as the "reservoir computing" (RC) [13] and the "extreme learning machine" (ELM) [13, 14]. In standard ML, one trains the parameters (weights) of an artificial neural network (ANN) to fit a given function linking input and outputs. In RC, due to the increasing computational effort to train a large number of weights, one internal part of the network is left untrained ("the reservoir") and the weights are optimized only at input and readout. ML concepts such as photonic neuromorphic and reservoir computing [15, 16] are finding many applications in telecommunications [17, 18], multiple scattering [19], image classification [20], biophotonics [10], integrated optics [21], and topological photonics [22]. Various authors have reported the use of ML for augmenting and assisting quantum experiments.[23-25] Here we adopt RC-ML to design complex multi-level gates [2, 3, 26, 27], which form a building block for high-dimensional quantum information processing systems. While low-dimensional examples of such gates have been implemented using bulk and integrated optics, efficiently scaling them up to high dimensions remains a challenge. In quantum key distribution, one uses at least two orthogonal bases to encode information. High-dim
translated by 谷歌翻译
Deep neural networks are vulnerable to adversarial examples, i.e., carefully-perturbed inputs aimed to mislead classification. This work proposes a detection method based on combining non-linear dimensional-ity reduction and density estimation techniques. Our empirical findings show that the proposed approach is able to effectively detect adversarial examples crafted by non-adaptive attackers, i.e., not specifically tuned to bypass the detection method. Given our promising results, we plan to extend our analysis to adaptive attackers in future work.
translated by 谷歌翻译
事件相机是新颖的,生物启发的视觉传感器,其像素在局部强度变化时输出异步和独立的时间戳尖峰,称为“事件”。在延迟,高动态范围(HDR)和时间分辨率方面,事件相机提供优于传统基于帧的相机的优势。最近,事件相机仅限于在强度通道中输出事件,然而,最近的进展导致了颜色事件的发展。相机,如Color-DAVIS346。在这项工作中,我们提出并发布第一个彩色事件相机数据集(CED),包含50分钟的彩色帧和事件。 CED具有各种各样的室内和室外场景,我们希望这将有助于推动基于事件的视觉研究。我们还提供了事件相机模拟器ESIM的扩展,可以模拟颜色事件。最后,我们对三种最先进的图像重建方法进行了评估,这些方法可用于将Color-DAVIS346转换为连续时间的HDR彩色摄像机,以便对事件流进行可视化,并用于下游视觉应用。
translated by 谷歌翻译
事件相机是生物灵感的传感器,与传统相机完全不同。它们不是以固定速率捕获图像,而是以异步方式测量像素亮度变化。这导致了一系列事件,它们对亮度变化的时间,位置和符号进行编码。与传统相机相比,事件相机具有出色的性能:非常高的动态范围(140 dB与60 dB),高时间分辨率(按照微秒),低功耗,不受运动障碍的影响。因此,事件相机在传统相机的挑战场景中具有很大的机器人和计算机视觉潜力,例如高速和高动态范围。然而,需要新颖的方法来处理这些传感器的非常规输出以释放它们的潜力。本文全面概述了基于事件的视觉新兴领域,重点介绍了为解锁事件摄像机的突出特性而开发的应用程序和算法。我们从他们的工作原理,可用的实际传感器和他们已经使用的任务,从低级视觉(特征检测和跟踪,光流等)到高级视觉(重建,分割,识别)呈现事件摄像机)。我们还讨论了为处理事件而开发的技术,包括基于学习的技术,以及这些新型传感器的专用处理器,例如尖峰神经网络。此外,我们还要强调仍有待解决的挑战,以及寻求更有效,生物启发的方式,使机器能够接受世界并与之互动的机会。
translated by 谷歌翻译
事件相机是新颖的传感器,以异步“事件”而不是强度帧的形式报告亮度变化。它们具有优于传统相机的显着优点:高时间分辨率,高动态范围和无运动模糊。由于事件摄像机的输出基本上与传统摄像机不同,因此普遍认为它们需要开发专门的算法以适应事件的特定性质。在这项工作中,我们采取不同的观点,并建议将现有的,成熟的计算机视觉技术应用于从eventdata重建的视频。我们提出了一种新颖的循环网络,用于从事件流中重建视频,并在大量模拟事件数据上进行训练。 Ourexperiments表明,我们的方法在图像质量方面超过了最先进的重建方法(> 20%)。我们进一步将现成的计算机视觉算法应用于从事件数据重建的视频,例如对象分类和视觉惯性测距,并显示该策略始终优于我们为事件数据专门设计的算法。我们相信,我们的方法打开了将事件相机的出色属性带入全新任务的门户。可以通过以下网址获得实验视频://youtu.be/IdYrC4cUO0I
translated by 谷歌翻译
事件相机是视觉传感器,记录异像素亮度变化的异步流,称为“事件”。它们比基于帧的计算机视觉相机具有吸引人的优势,包括高时间分辨率,高动态范围和无运动模糊。由于事件信号的稀疏,非均匀时空布局,模式识别算法通常将事件聚合成基于网格的表示,并随后通过标准视觉管道(例如,卷积神经网络(CNN))对其进行处理。在这项工作中,我们引入了一个通用框架,通过一系列不同的操作将转换流转换为基于网格的表示。我们的框架带有两个主要优势:(i)允许以端到端的方式学习输入事件表示和任务专用网络,以及(ii)提供统一文献中现存事件表示的大多数的分类法。识别小说。根据经验,我们表明,我们的端到端学习事件表示的方法在光流估计和对象识别方面比最先进的方法提高了大约12%。
translated by 谷歌翻译
事件相机是新颖的视觉传感器,输出像素级亮度变化(“事件”)而不是传统视频帧。这些异步传感器具有优于传统相机的几个优点,例如高时间分辨率,非常高的动态范围和无运动模糊。为了解锁这种传感器的潜力,最近提出了运动补偿方法。我们提出了二十二个目标函数的集合和分类,以分析运动补偿方法中的事件对齐(图1)。我们将它们称为焦点丢失功能,因为它们与传统的焦点形状应用中使用的功能有很强的联系。建议的损失函数允许将成熟的计算机视觉工具带入事件相机领域。我们比较了公开数据集中所有损失函数的准确性和运行时性能,并得出结论:方差,梯度和拉普拉斯量值是最佳损失函数之一。损失函数的适用性显示在多个任务上:旋转运动,深度和光流估计。建议的焦点丢失功能可以解锁事件相机的突出属性。
translated by 谷歌翻译
与其像素具有共同曝光时间的传统相机相比,基于事件的相机是新颖的生物启发传感器,其像素独立地工作并且异步地输出具有微秒分辨率的强度变化(称为“事件”)。由于事件是由物体的明显运动引起的,因此基于事件的摄像机基于场景动力学采集视觉信息,因此比传统摄像机更自然地适应采集运动,尤其是在传统摄像机遭受运动模糊的高速时。然而,区分由不同移动物体和相机的自我运动引起的事件是一项具有挑战性的任务。我们提出了第一种按事件分割方法,用于将场景分割成独立移动的对象。我们的方法通过目标函数的最大化来联合估计事件 - 对象关联(即,分割)和对象的运动参数(或者背景),该目标函数建立在基于事件的运动补偿的最近结果上。我们在公共数据集上对我们的方法进行了彻底的评估,比最先进的技术高出10%。我们还展示了事件相机分割算法的第一个定量评估,在4个像素相对位移时产生大约90%的准确度。
translated by 谷歌翻译
我们提出了一种基于事件的摄像机角点检测的学习方法,即使在快速和突然的运动下也能保持稳定。基于事件的摄像机具有高时间分辨率,功率效率和高动态范围。然而,与标准强度图像相比,基于事件的数据的属性非常不同,并且为这些图像设计的角点检测方法的简单扩展在基于事件的数据上表现不佳。我们首先介绍一种计算时间曲面的有效方法,该时间曲面对于对象的速度是不变的。然后我们展示我们可以训练一个随机森林来识别从我们的时间表面移动的角落产生的事件。随机森林也非常高效,因此是处理基于事件的摄像机的高捕获频率的一个很好的选择 - 我们的实施过程高达1.6Mev / son一个CPU。由于我们的时间表面公式和这种学习方法,我们的方法对于角落方向的突然变化比以前的方法更加稳健。我们的方法也自然地为角设置了置信度分数,这对于后处理是有用的。此外,我们还介绍了一种高分辨率数据集,适用于基于预防的摄像机角点检测方法的定量评估和比较。我们称之为SILC,针对Speed Invariant LearnedCorners,并将其与最先进的实验进行比较,展示了更好的性能。
translated by 谷歌翻译