未经授权远程访问来自网络摄像机的流式视频的风险突显了对更强大的隐私保护的需求。为此,我们模拟了一个无镜头编码孔径(CA)相机作为外观编码器,即第一层隐私保护。我们的目标是从编码孔径视频中进行人类动作识别,其编码孔径掩模未知并且不需要重建。我们通过使用基于相位相关和对数极坐标变换的不可逆运动特征来插入第二层隐私保护。相位相关对转换进行编码,而对数极坐标变换对面内旋转和缩放进行编码。 Weshow翻译功能的关键属性是掩码不变的。该属性允许我们通过消除对特定掩模设计的依赖来简化分类器的训练。基于UCF和NTUdatasets子集的结果显示了我们系统的可行性。
translated by 谷歌翻译
We present a framework to learn privacy-preserving en-codings of images that inhibit inference of chosen private attributes, while allowing recovery of other desirable information. Rather than simply inhibiting a given fixed pre-trained estimator, our goal is that an estimator be unable to learn to accurately predict the private attributes even with knowledge of the encoding function. We use a natural adversarial optimization-based formulation for this-training the encoding function against a classifier for the private attribute, with both modeled as deep neural networks. The key contribution of our work is a stable and con-vergent optimization approach that is successful at learning an encoder with our desired properties-maintaining utility while inhibiting inference of private attributes, not just within the adversarial optimization, but also by classifiers that are trained after the encoder is fixed. We adopt a rigorous experimental protocol for verification wherein clas-sifiers are trained exhaustively till saturation on the fixed encoders. We evaluate our approach on tasks of real-world complexity-learning high-dimensional encodings that inhibit detection of different scene categories-and find that it yields encoders that are resilient at maintaining privacy.
translated by 谷歌翻译
迄今为止,纳米尺寸的无人机(UAV)具有几厘米的直径和10瓦以下的总功率预算,迄今为止一直被认为无法运行基于视觉的自主导航软件,无需基站的外部辅助,即时本地定位基础设施和强大的外部计算服务器。在这项工作中,根据我们的知识,我们展示了第一个27g纳米无人机系统,该系统能够在基于最先进深度的自动导航的端到端闭环视觉管道上运行 - 学习算法,建立在开源CrazyFlie2.0 nano-quadrotor之上。我们的视觉导航引擎是通过超低功耗计算设备(GAP8片上系统)与用于部署深度卷积神经网络(CNN)的新方法相结合实现的。可以在高达18Hz的时间内实现最先进的深度CNN的实时执行。现场实验表明,该系统的高响应性可防止意外动态障碍物碰撞,飞行速度达到1.5米/秒。此外,我们还展示了我们的视觉导航引擎在113m的前方路径上实现全自动室内导航的能力。为了与嵌入式和机器人社区分享我们的主要发现并促进自主纳米无人机的进一步发展,我们公开发布了所有代码,数据集和训练有素的网络。
translated by 谷歌翻译
在本文中,我们提出了一种在图像压缩环境中微调解码器侧神经网络的新方法,使得权重更新具有更好的可压缩性。在编码器侧,我们通过使用应用于权重更新的压缩目标来微调目标数据上预先训练的伪像去除网络。特别地,压缩目标鼓励稀疏且更接近量化值的权重更新。这样,通过修剪和量化可以更有效地压缩最终的权重更新,并且可以将其与传统编解码器的图像比特流一起包括在编码的比特流中。我们证明,这种方法可以达到重建质量,与传统的编解码器相比,它具有可比性或略高的性能。据我们所知,这是将图像压缩与神经网络的权重更新压缩相结合的第一次尝试。
translated by 谷歌翻译
学习解开的表示被认为是代表性学习的基石问题。最近,Locatello等人。 (2019)证明,在没有归纳偏差的情况下,无监督的解缠结构学习在理论上是不可能的,并且现有的归纳偏差和无监督方法不允许一致地学习解缠结的表示。但是,在许多实际设置中,人们可能可以访问非常有限的监视,例如通过手动标记训练示例。在本文中,我们研究了这种监督对现有技术纠正方法的影响,并进行了大规模的研究,在明确和可重复的实验条件下培训了29000多个模型。我们首先认为,非常有限数量的标记示例(数据集的0.01-0.5%)足以在最先进的无监督模型上执行模型选择。然而,如果一个人可以获得监督模型选择的标签,那么就会提出一个自然的问题,即它们是否也应该纳入培训过程。作为案例研究,我们测试了将(非常有限的)监督引入现有的最先进的无监督纠正方法的好处,这些方法利用了标签的值和可以从中推导出的标准信息。总的来说,我们通过非常少且可能不精确的监督来经验性地验证,可以可靠地学习解开的表示。
translated by 谷歌翻译
在本文中,我们应用压缩性损失,使学习高度可压缩的神经网络权重。这种损失之前被提出作为信号的否定稀疏性的度量,但是在本文中我们表明,最小化这种损失也会强制信号的非零部分具有非常低的熵,从而使整个信号更具可压缩性。对于目标是最小化压缩性损失(目标)的优化问题,我们证明在目标的任何临界点,权重向量是三元信号,而目标的对应值是非数量的平方根。信号中的零元素,因此与稀疏性直接相关。在实验中,我们训练具有可压缩性损失的神经网络,并且我们表明所提出的方法实现了与现有技术相当的重量稀疏度和压缩比。
translated by 谷歌翻译
在这项工作中,我们描述了用于确定轮式机器人下的表面类型的惯性测量的时间序列数据集的准备。超过7600个标记时间序列样本的数据主义者,具有相应的表面类型注释。这些数据用于两次公开比赛,总共有1500名参赛者。此外,我们描述了用于时间序列分类的最新深度学习模型的性能,以及基于机器学习方法的集合提出基线模型。使用我们的九类数据集,baseline的准确率达到68%以上。
translated by 谷歌翻译
最近的文献表明,对于语义文本相似性任务,平均单词向量后跟simplepost处理优于许多深度学习方法。此外,当平均的单词向量在大型释义语料库中受到监督时,它们在标准STS基准上获得了最新的结果。受这些见解的启发,我们进一步推动了嵌入词的限制。我们为文本提出了一种新颖的模糊词袋(FBoW)表示,其中包含词汇表中同时具有不同隶属度的所有词,这些词来源于词向量之间的相似性。我们证明了最大池化的单词向量只是模糊BoW的一个特例,应该通过模糊Jaccard索引进行比较,而不是余弦相似性。最后,我们提出了DynaMax,一种完全无监督和非参数的相似性度量,它根据句子对动态地提取和最大限度地汇集好的特征。这种方法既有效又容易实现,但在STS任务上大大优于当前基线,甚至与受过训练的监督词向量竞争直接优化余弦相似性。
translated by 谷歌翻译
In this work an iterative algorithm based on unsupervised learning is presented, specifically on a Restricted Boltzmann Machine (RBM) to solve a perfect matching problem on a bipartite weighted graph. Iteratively is calculated the weights w ij and the bias parameters θ = (a i , b j) that maximize the energy function and assignment element i to element j. An application of real problem is presented to show the potentiality of this algorithm.
translated by 谷歌翻译
人工智能(AI)的出现及其在社会许多部门的逐步广泛应用需要评估其对可持续发展的影响。在这里,我们分析已公布的证据,证明人工智能对实现2030年可持续发展议程的17个目标和169个目标中的每个目标产生了积极或负面影响。我们发现人工智能可以支持在所有可持续发展目标中实现128个目标,但它也可能会抑制58个目标。值得注意的是,人工智能支持提高效率和生产力的新技术,但也可能导致国内和国家之间的不平等加剧,从而阻碍实现2030年议程。人工智能的快速发展需要得到适当的政策和法规的支持。否则,它将导致基于人工智能的技术的透明度,问责制,安全和标准方面的差距,这可能对人工智能的发展和可持续利用产生不利影响。最后,缺乏研究人工智能的中期和长期影响的研究。因此,必须强化关于人工智能使用的全球辩论,并为基于人工智能的技术开发必要的监管见解和监督。
translated by 谷歌翻译