本文关注的是通过人工神经网络逼近偏微分方程的解。这里使用前馈神经网络来近似偏微分方程的解。将学习问题表述为最小二乘法,选择偏微分方程的残差作为损失函数,而采用多级Levenberg-Marquardt方法作为训练方法。此设置允许我们进一步了解多级方法的潜力。实际上,当最小二乘问题源于人工神经网络的训练时,受优化的变量与任何几何约束无关,并且标准插值和限制算子不能再使用。然后提出了由代数多重网格方法启发的启发式方法,以构建多级传输算子。数值实验表明,与标准的相应一级程序相比,新的多重开发方法对人工神经网络训练的效率有相关的结果。
translated by 谷歌翻译
与以前的工作不同,这种开放式数据采集包括专为机器学习应用和高锥角人工制品减少而设计的X射线锥束(CB)计算机断层扫描(CT)数据集。用实验室X射线设置扫描42个核桃,不仅提供来自单个物体的数据,而且提供具有自然变化的一类物体的数据。对于每个核桃,获得了三个不同源轨道上的CB投影,提供了具有不同锥角的CB数据,并且能够从可以用于监督学习的组合数据中计算无物质,高质量的地面实况图像。我们提供完整的图像重建管道:原始投影数据,扫描几何描述,使用开放软件的预处理和重建脚本,以及构建的体积。因此,数据集不仅可以用于高角度伪影减少,还可以用于其他任务的算法开发和评估,例如从有限或稀疏角度(低剂量)扫描,超分辨率或分割的图像重建。
translated by 谷歌翻译
机器人设计通常是一个缓慢而困难的过程,需要迭代构造和测试原型,目标是顺序优化设计。对于大多数机器人而言,当验证硬件的能力以解决所需任务时,该过程进一步复杂化,已经具有适当的控制器,该控制器又针对特定硬件设计和调整。在本文中,我们提出了一种新颖的方法HPC-BBO,可以有效地自动设计硬件配置,并通过自动调整相应的控制器来评估它们.HPC-BBO基于分层贝叶斯优化过程,可以优化形态配置(基于在控制器学习过程中先前设计的性能)并随后学习相应的控制器(利用从先前形态的优化中收集的知识)。此外,HPC-BBO可以同时选择多个形态设计的“批量”,从而并行化硬件验证并减少耗时的生产周期数。我们验证了HPC-BBO对模拟6腿机器人的形态和控制器的设计。实验结果表明,HPC-BBO优于多竞争基线,并且生产周期超过贝叶斯优化产生360美元/%的减少,从而将我们的微机器人的假设制造时间从21个月减少到4个月。
translated by 谷歌翻译
广泛的机器学习问题被公式化为对某些参数空间上的凸损失函数的期望的最小化。由于感兴趣的数据的概率分布通常是未知的,因此它是从训练集中估计的,这可能导致不良的样本外性能。在这项工作中,我们通过使用已经在风险度量的定量融资中开发的框架来为这个问题带来新的见解。我们表明原始的最小 - 最大问题可以在适当的假设下重新构造为凸最小化问题。我们讨论了几个鲁棒公式的重要示例,特别是通过定义基于$ \ varphi $ -divergences和Wasserstein度量的模糊集。我们还提出了一种有效的算法来解决复杂凸约束中的相应凸优化问题。通过仿真实例,我们证明该算法在实际数据集上可以很好地扩展。
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
作为行人和司机,人类通常巧妙地驾驶交通路口。尽管通常在这些交互中发现了不确定性,危险性和通信的非语言特征,但考虑到交互的总数,几乎没有碰撞。随着自动化技术在车辆中的作用越来越大,了解行人和驾驶员行为之间的关系变得越来越重要:行人如何看待车辆/驾驶员的行为以及行人如何做出交叉决定。已经广泛研究了到达时间(TTA)和行人间隙接受之间的关系(即,行人是否选择穿过时间窗口穿过)。然而,在非语言交流的背景下,车辆轨迹的动态性质尚未得到系统的探索。我们的工作提供了证据,证明轨迹动态,例如TTA的变化,可以成为司机和行人之间非语言交流的强大信号。此外,我们在模拟和现实世界的数据集中研究这些影响,这两个数据都比我们以前在文献中最好的知识所考虑的要大。
translated by 谷歌翻译
生成低级机器人控制器通常需要手动参数调整和重要的系统知识,这可能导致高度专业化控制器的设计时间长。随着自动化的发展,对这些控制器的需求增长速度可能超过专家设计师的数量。为了解决快速生成低级别控制器而不需要知道的问题,我们建议使用基于模型的强化学习(MBRL)训练几分钟的自动生成数据。在本文中,我们探讨了MBRL在具有快速动力学的Crazyflie四旋翼飞行器上的能力,并且经典控制方案为新方法的性能提供了基线。据我们所知,这是首次使用MBRL进行四旋翼飞行器的低水平控制悬停,仅使用车载传感器,直接电机输入信号,并且没有初始动力学知识。我们用于预测的前向动力学模型是一个神经网络,用于预测下一步的状态变量,并在预测方差上使用正则化项。然后,模型预测控制器通过无线电从支持GPU的基站向四旋翼固件传输最佳动作。在我们的实验中,使用3分钟的实验训练数据,可以实现长达4秒的四旋转悬停能力。
translated by 谷歌翻译
在我们的私人和职业生活中,谎言和欺骗是社会中的常见现象。然而,人们在准确的欺骗检测中出了名。根据文献,人与人之间的区分和真实陈述的准确率平均为54%,换句话说,它比随机猜测略微更好。虽然人们并不太关心这个问题,但在高风险情况下,例如对系列犯罪的审讯和对法庭案件中的证词进行评估,准确的欺骗检测方法是非常可取的。为了实现可靠,隐蔽和非侵入性的欺骗检测,我们提出了一种新方法,可以在视频序列中联合提取可靠的低和高水平面部特征,即3D面部几何,皮肤反射,表情,头部姿势和场景照明。 。然后使用递归神经网络对这些特征进行建模,以了解欺骗性和诚实行为的时间特征。我们评估了真实生活审判(RLT)数据集中提出的方法,该数据集包含法庭记录的高赌注欺骗性和诚实的视频。我们的结果表明,所提出的方法(准确度为72.8%)改善了现有技术水平,并且在欺骗检测中优于使用手动编码的面部属性(67.6%)。
translated by 谷歌翻译
当似然函数不可用或不可行时,近似贝叶斯计算(ABC)方法可用于对后沿分布进行采样,这在生物系统中通常是这种情况。序贯蒙特卡罗(SMC)方法已与ABC结合以提高效率,但是这些方法需要从可能性中进行许多模拟。我们提出了蒙特卡罗(PMC)框架内的分类方法,其中模型类概率用于更新粒子权重。我们提出的方法优于最先进的比率估算方法,同时保留自动选择汇总统计数据,并与SMC ABC竞争。
translated by 谷歌翻译