我们考虑用于表示车辆动力学的神经网络的在线适应问题。神经网络模型旨在由MPC控制法使用以自主地控制车辆。这个问题具有挑战性,因为输入和目标分布都是非平稳的,而在线适应的天真方法会导致灾难性的遗忘,从而导致控制器故障。我们提出了一种新颖的在线学习方法,它将伪排练方法与局部加权投影回归相结合。我们证明了在模拟中使用局部加权投影回归伪排练(LW-PR $ ^ 2 $)方法的有效性以及使用1/5比例自动驾驶车辆收集的大型真实世界数据集。
translated by 谷歌翻译
在本文中,我们提出了一个框架,用于结合基于深度学习的道路检测,粒子滤波器和模型预测控制(MPC),只使用单目相机,IMU和车轮速度传感器。该框架使用结合LSTM的深度卷积神经网络来学习车辆前方轨道的本地成本图表示。 Aparticle过滤器使用此动态观察模型在原理图中进行定位,并使用MPC积极地使用此基于粒子过滤器的状态估计进行驱动。我们展示了广泛的真实世界测试结果,并证明了车辆在复杂的污垢轨道上的摩擦极限下的可靠运行。我们使用我们的1:5比例测试车,在长达105英尺(32米)的泥路上达到27英里/小时(12米/秒)以上的速度。
translated by 谷歌翻译
对于患有慢性疼痛(CP)的人来说,评估保护性行为的身体功能对于理解他们的主观疼痛相关经历(例如,对疼痛和受伤的恐惧和焦虑)以及他们如何处理这些经历(避免或依赖特定的身体接触)至关重要。 ,最终目标是引导干预。深度学习(DL)的进步可以促进这种干预的发展。使用EmoPain MoCap数据集,我们研究了基于注意力的DL架构如何通过捕获表征特定运动的最具信息性的生物力学线索以及用于执行它们以应对疼痛相关体验的策略来改进保护行为的检测。我们提出了一种基于注意机制的端到端神经网络架构,名为BodyAttentionNet(BANet)。 BANet旨在学习时间和人体关节区域,这些区域可以检测保护行为。该方法可以考虑人们执行一个运动(包括健康人)的各种方式,并且它与所分析的运动类型无关。我们还探索了这种架构的变体,以了解时间和身体注意力机制的贡献。通过与运动捕捉数据一起使用的其他最先进的机器学习技术进行的深入实验,我们通过结合两种注意机制显示出统计上显着的改进。此外,BANetarchitecture要求的参数数量远低于最先进的参数,以获得可比较的性能(如果不是更高性能)。
translated by 谷歌翻译
细胞成像和分析是生物医学研究的基础,因为细胞是生命的基本功能单元。在不同的细胞相关分析中,细胞计数和检测被广泛使用。在本文中,我们关注基于学习的细胞计数方法的一个共同步骤:将rawdot标签编码为更合适的学习地图。讨论了原始点标签编码的两个标准,并提出了一种新的编码方案。这两个标准衡量了使用编码方案训练模型是多么容易,以及在预测时恢复的原始点标签的稳健性。所提出的编码方案的最有利的优点是能够区分拥挤区域中的相邻小区。针对四种类型的小区和两种网络架构,针对五种编码方案进行小区计数和检测实验。与广泛使用的高斯和矩形内核相比,所提出的编码方案提高了计数准确度,高达12%,并且相对于普通的邻近编码,检测精度提高了14%。
translated by 谷歌翻译
在规划和调度中,解决状态和时间约束的问题是困难的,因为这些约束可能是高度耦合的。事件的明智排序使得求解器能够有效地对动作序列做出决策,以满足复杂的混合规范。订购问题是规划的基础。最近有前途的工作已经探索了有序问题作为搜索,结合了一种特殊的树结构来提高效率。但是,这种方法只能推导出部分订单规范。观察到排序与底层约束不一致,先前的工作不利用树结构来有效地生成解决不一致性的排序。在本文中,我们提出了冲突导向的增量总排序(CDITO),这是一种冲突导向的搜索方法,用于递增和系统地生成事件总命令,提供由子解算器返回的排序关系和冲突。由于能够推断冲突,CDITO比IncrementalTotal Ordering更有效。我们通过对时间网络配置问题进行基准测试来证明这一点,这些问题涉及路由网络流和随时间分配带宽资源。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
占全球新发癌症病例的26%,乳腺癌仍然是女性最常见的癌症形式。尽管早期乳腺癌具有长期预后,但大约三分之一的患者尽管乳腺癌保留了癌症,但其美学效果并不理想。因此,乳房表面的临床质量三维建模在推进治疗计划,预测乳房评估方面具有越来越重要的作用。美容效果。然而,现有的3D躯干扫描仪昂贵且基础设施沉重或受到运动伪影的影响。在本文中,我们采用了一个单一的消费级RGBD相机,它具有基于ICP的配准方法,可以非常严格地对齐一系列深度图像中的所有点。由于姿势摇摆和呼吸导致的微妙的身体变形成功减轻,通过规则化的局部仿射变换导致更高的几何精度。我们提供了6个临床试验结果,其中我们的方法与黄金标准相当,并且优于以前的方法。我们表明,我们的方法通过视觉评估定性地产生更好的重建,并通过持续获得较低的标志性误差分数并产生更准确的乳房体积估计来定量地产生。
translated by 谷歌翻译
在时间规划中,许多不同的时间网络形式被用于模拟现实世界的情况。这些形式主义中的每一种都具有不同的特征,这些特征影响了确定时间约束的基础网络是否一致的容易程度。虽然许多较简单的模型已经从计算复杂性的角度进行了研究,但是针对结合特征的高级模型开发的算法具有非常宽松的复杂性边界。在本文中,我们为具有条件,析取和时间不确定性的时间网络的强,弱和动态可控性检查提供了严格的完整性界限。我们的工作暴露了这些不同结构之间的一些细微差别,并且显着地确保了所有这些问题都可以在PSPACE中计算出来。
translated by 谷歌翻译
我们研究了使用移动机器人团队跟踪多个移动目标的问题。每个机器人都有一组运动原语可供选择,以便共同最大化跟踪目标的数量或跟踪的总质量。我们的重点是通信受限且机器人与邻居共享信息的时间有限。因此,我们寻求能够在有限的时间内找到解决方案的分布式算法。我们提出了两种算法:(1)保证的贪婪算法找到最优(集中)解决方案的$ 2 $ -approximation,在最坏的情况下需要$ | R | $通信轮次,其中$ | R | $表示数量机器人; (2)在$ \ mathcal {O}中找到$ \ mathcal {O} \ left((1+ \ epsilon)(1 + 1 / h)\ right)$ - 近似算法的局部算法(h \ log 1 / \ epsilon)$通讯轮次。这里,$ h $和$ \ epsilon $是允许用户在通信时间内权衡解决方案质量的参数。除理论结果外,我们还提出了经验评估,包括与集中式最优解的比较。
translated by 谷歌翻译
我们引入了学习直接优化方法,用于细化描述输入图像x的alatent变量模型。我们的目标是用具有场景图的潜在变量z(例如物体外观,相机位置)的3D计算机图形模型来解释单个图像x。给定z的当前估计,我们可以渲染图像g(z)的预测,其可以与图像x相比较。然后,标准的方法是测量两者之间的误差E(x,g(z)),并使用优化器来最小化误差。我们的新型学习直接优化(LiDO)方法训练PredictionNetwork直接预测更新纠正z,而不是最小化关于z的错误。实验表明,我们的LiDO方法收敛得很快,因为它不需要对错误情况进行搜索,产生更好的解决方案,并且能够处理数据与拟合场景模型之间的不匹配。我们将LiDO应用于真实的合成数据集,并表明该方法可以很好地与真实图像一起使用。
translated by 谷歌翻译