变化检测(CD)是遥感的重要应用,它提供了大规模地球表面的及时变化信息。随着高光谱图像的出现,CD技术得到了极大的推广,具有高光谱分辨率的高光谱数据能够检测到比使用传统多光谱图像更精细的变化。然而,高光谱数据的高维度使得难以实现传统的CD算法。此外,子像素级别的端元丰度信息通常没有得到充分利用。为了更好地处理高维问题并探索丰度信息,本文提出了一种用于高光谱图像交换检测(HSI-CD)的通用端到端二维CNN(GETNET)框架。这项工作的主要贡献有三个方面:1)引入了集成子像素表示的混合亲和矩阵,以挖掘更多的跨通道梯度特征并融合多源信息; 2)2-D CNN旨在有效地从多个信息中学习判别特征 - 更高层次的数据源,增强了所提出的CD算法的泛化能力; 3)设计了一种新的HSI-CD数据集,用于不同方法的目标比较。对真实高光谱数据集的实验结果表明,所提出的方法优于大多数现有技术。
translated by 谷歌翻译
本文提出了一种基于视觉的机器人系统来处理自动快递包调度中涉及的挑选问题。通过使用两台RealSense RGB-D摄像机和一台UR10工业机器人,可以自动完成通常由人工完成的包裹调度任务。为了确定重叠变形物体的抓取点,我们改进了伯克利群体提出的采样算法,直接从深度图像中生成抓取算法。出于包识别的目的,深度网络框架YOLO被集成。我们还设计了一个由双指夹具和真空吸盘组成的多模式机器人,以处理不同类型的包装。所有技术都集成在一个工作单元中,模拟了快速打包的场景的实际情况。通过对两个典型快递项目进行的实验来验证所提出的系统。
translated by 谷歌翻译
本文提出了一种高效的神经网络模型,用于生成具有高分辨率图像的机器人格栅。所提出的模型使用完全卷积神经网络,使用400 $ \ $ 400高分辨率RGB-D图像为每个像素生成机器人抓取。它首先对图像进行下采样以获取要素,然后将这些要素上采样到输入的原始大小,并组合来自不同要素图的局部和全局要素。与用于检测机器人抓取的其他回归或分类方法相比,我们的方法看起来更像是通过逐像素方式解决问题的分割方法。我们使用Cornell Grasp Dataset来训练和评估模型,并且在图像方面获得高达94.42%的准确度,在对象方面获得91.02%的快速预测时间和约8ms的快速预测时间。我们还证明,在没有多对象数据集的训练的情况下,由于像素实现,我们的模型可以直接outputrobotic掌握不同对象的候选对象。
translated by 谷歌翻译
准确的房屋预测对房屋所有者,买家,投资者和代理商等各种真正的利益相关者具有重要意义。我们提出了以位置为中心的预测框架,它与数据剖析和预测模型方面的现有工作不同。关于数据分析,我们定义和捕获由各种位置数据源提供支持的细粒度位置配置文件,例如运输配置文件(例如,到最近的火车站的距离),教育配置文件(例如,学校区域和排名),基于人口普查的郊区配置文件关于预测模型的选择,我们观察到各种方法要么考虑整个房屋数据进行建模,要么拆分整个数据并对每个分区进行独立建模。然而,这样的建模标记了分区之间的相关性,并且对于所有预测场景,对于lattera方法,每个分区可能没有足够的训练样本。我们通过仔细研究利用多任务学习(MTL)模型来解决这个问题。具体来说,我们将完整房屋数据的策略映射到MTL中定义任务的方式,获得的每个分区与任务对齐。此外,我们选择具有不同正则化项的特定基于MTL的方法来捕获和利用任务之间的相关性。基于澳大利亚墨尔本的实际房屋交易数据。我们设计了广泛的实验评估,结果表明基于MTL的方法相对于最先进的方法具有显着的优势。同时,我们对MTL中任务定义和方法选择对预测性能的影响进行了内部分析,并证明任务定义对预测性能的影响远远超过了方法选择的影响。
translated by 谷歌翻译