自动驾驶感知的最新进展是由深度学习驱动的。为了实现稳健和准确的场景理解,自动驾驶车辆通常配备有不同的传感器(例如,照相机,激光雷达,雷达),并且可以融合多种感测模态以利用它们的互补特性。在这种情况下,已经提出了许多用于深度多模态感知问题的方法。但是,网络架构设计没有一般性的指导方针,“融合什么”,“何时融合”和“如何融合”等问题依​​然存在。本文综述了自动驾驶中深度多模态目标检测和语义分割的方法论,并对其进行了系统的总结。为此,我们首先概述了测试车辆上的车载传感器,开放数据集和物体检测的背景信息。和自动驾驶研究的语义分割。然后,我们总结了融合方法,讨论了挑战和开放性问题。在附录中,我们提供了总结主题和方法的表格。我们还提供了一个交互式在线平台来浏览每个参考:https://multimodalperception.github.io。
translated by 谷歌翻译
我们提出基于矩的变分推理作为一个灵活的框架,用于平滑潜在马尔可夫跳跃过程的平滑。我们的方法的主要成分是将潜在过程的所有转换的集合划分为类。这允许根据从所选分区自然产生的一组力矩函数来表示近似和精确后验过程之间的Kullback-Leibler散度。为了说明分区的可能选择,我们考虑在应用程序中经常出现的特殊类型的跳过程。然后,我们将结果扩展到参数推断,并在几个示例中演示该方法。
translated by 谷歌翻译
连续时间贝叶斯网络(CTBN)构成了一种通用且强大的框架,用于对网络上的连续时间随机过程进行建模。这使得它们对于学习相互作用实体之间的定向结构特别有吸引力。但是,如果可用数据不完整,则需要模拟极其复杂的CTBN动态。现有的近似技术,例如采样和低阶变分方法,要么在系统规模上无可比拟,要么在准确性方面不令人满意。受统计物理学最新进展的启发,我们提出了一种基于聚类变分方法的新近似方法,显着改进了现有的变分。近似。我们可以分析地将近似CTBN的参数边缘化,因为这些对于结构学习来说是次要的。这恢复了针对不完整和有噪声的时间序列数据的指导结构学习的可扩展方案。我们的方法在可伸缩性方面优于现有方法。
translated by 谷歌翻译
群因子分析(GFA)方法已被广泛用于推断来自多个相关数据集不变领域的公共结构和组特定信号,包括系统生物学和神经成像。迄今为止,可验证的GFA模型需要采用吉布斯采样或切片采样来实现性能,这阻碍了GFA在大规模数据中的实际应用。在本文中,我们提出了一种用于非参数贝叶斯群因子分析的高效折叠变分推理(CVI)算法( NGFA)模型建立在分层β伯努利过程上。我们的CVI算法通过边缘化特定于组的β过程参数,然后使用平均场方法接近折叠空间中的真实后验来进行。合成和现实数据的实验结果证明了我们的CVI算法对NGFA的有效性与现有的GFA方法相比。
translated by 谷歌翻译
我们提出了一种新的肺部CT扫描登记算法。我们的方法是通过将稀疏关键点对应集成到密集的连续优化框架中而设计用于大呼吸运动。关键点对应的检测通过在大量潜在的离散位移上共同优化来实现对抗大变形的鲁棒性,而密集连续配准通过平滑变换实现子体素对准。两个步骤均由相同的归一化梯度场数据项驱动。我们采用曲率正则化和体积变化控制机制来防止变形网格的折叠,并将雅可比行列式的确定性限制为生理上有意义的值。 Keypoint对应关系通过具有自适应确定权重的二次方来集成到密集登记中。使用并行无矩阵衍生计算方案,在标准PC上实现了大约5分钟的运行时间。所提出的算法在EMPIRE10肺部图像配准挑战中排名第一。此外,它在DIR-Lab COPD数据库上实现了0.82 mm的平均地标距离,从而将本领域的精度提高了15%。我们的算法是第一个在此数据集上达到标记注释中的观察者变异性的算法。
translated by 谷歌翻译
逆强化学习(IRL)领域的进步已经导致了复杂的推理框架,这些框架放松了观察仅反映单一意图的代理行为的原始建模假设。代替学习全局行为模型,最近的IRL方法将演示数据划分为多个部分,以解释不同的轨迹可能对应于不同意图的事实,例如,因为它们是由不同的领域专家生成的。在这项工作中,我们更进一步:使用子目标的直观概念,我们建立在这样的前提下,即使单个轨迹可以在某个上下文中比全局更有效地解释,从而能够更加紧凑地表示观察到的行为。基于这个假设,我们构建了一个隐含的代理人目标的有意模型,以预测其在未观察到的情况下的行为。结果是一个综合的贝叶斯预测框架,该框架明显优于IRL解决方案,并提供与专家计划一致的平稳政策估算。最值得注意的是,我们的框架自然地处理了代理的意图随时间变化并且经典IRL算法失败的情况。此外,由于其概率性质,该模型可以最好地直接应用于主动学习场景中以指导专家的演示过程。
translated by 谷歌翻译
We investigate several norm inequalities equivalent to the Heinz inequality and discuss the equivalence relations among these norm inequalities. Here we shall show an elementary and simplified proof to the famous Heinz inequality.
translated by 谷歌翻译