在各种领域，包括搜索和救援，自动驾驶汽车导航和侦察的各个领域，形成不断变化的场景的非线图像（NLOS）图像的能力可能具有变革性。大多数现有的活性NLOS方法使用针对继电器表面并收集回返回光的时间分辨测量的脉冲激光来照亮隐藏场景。流行的方法包括对垂直壁上的矩形网格的栅格扫描，相对于感兴趣的数量，以产生共聚焦测量集合。这些固有地受到激光扫描的需求的限制。避免激光扫描的方法将隐藏场景的运动部件作为一个或两个点目标。在这项工作中，基于更完整的光学响应建模，但仍没有多个照明位置，我们演示了运动中对象的准确重建和背后的固定风景的“地图”。计数，本地化和表征运动中隐藏物体的大小，结合固定隐藏场景的映射的能力，可以大大提高各种应用中的室内情况意识。
translated by 谷歌翻译
现在，可以使用最先进的神经语言模型通过零射门提示来解决临时语言任务，而无需进行监督培训。近年来，这种方法已广受欢迎，研究人员证明了提示在特定的NLP任务上实现强烈准确的提示。但是，找到新任务的提示需要实验。具有不同措辞选择的不同提示模板会导致明显的准确性差异。提示允许用户尝试及时变化，可视化及时性能，并迭代优化提示。我们开发了一个工作流程，该工作流程允许用户首先使用少量数据专注于模型反馈，然后再进入大型数据制度，该数据制度允许使用任务的定量度量来实现有希望的提示的经验基础。然后，该工具可以轻松部署新创建的临时模型。我们使用多种现实世界用例演示了Fackide（http://prompt.vizhub.ai）和我们的工作流程的实用性。
translated by 谷歌翻译
本文提供了当前视频内容提取工具的比较，重点是比较基于任务的机器学习服务。在过去十年中，视频智能（VIDINT）数据已成为关键情报来源。基于AI的分析和自动化工具从视频中提取和构造内容的需求已迅速成为需要大规模搜索，分析和利用视频的组织的优先事项。随着机器学习技术的快速增长，机器转录，机器翻译，主题标签和对象识别任务的成熟度以指数级的速度提高，随着新应用程序的发展，速度和准确性的性能记录破坏了。本文的每个部分审查并根据与机器学习技术从视频中提取信息相关的任务进行了比较产品，软件资源和视频分析功能。
translated by 谷歌翻译
我们研究了在游戏中有效地产生高质量和多样化的内容的问题。以前的HESTETHSTONE上自动化牌照的工作表明，质量多样性算法MAP-ELITE可以生成具有不同战略游戏的高性能甲板的集合。但是，Map-Elites需要大量昂贵的评估来发现甲板的各种集合。我们建议使用在线培训的深度代理模型进行地图精英，以预测关于候选甲板的游戏结果。 Map-Elites发现了一个不同的数据集，以提高代理模型精度，而代理模型有助于指导地图精英迈向有希望的新内容。在炉石甲板德克布布布尔案例研究中，我们表明我们的方法提高了Map-Elites的样本效率，并且优于随机甲板训练的模型，以及线性代理模型基线，设置了新的最先进的自动炉石德克斯普通应用领域的质量多样性方法。
translated by 谷歌翻译
虽然不同的语言模型在NLP中普遍存在，但很难对其输出进行对比，并确定一个可以比另一个更好地处理的上下文。为了解决这个问题，我们介绍了LMDIFF，这是一种直观地比较两种模型的概率分布的工具，其两种模型的概率分布，例如通过FINETUNING，蒸馏或简单地用不同的参数尺寸训练。Lmdiff允许通过令牌调查文本实例令牌来产生关于模型行为的假设，并通过识别来自大公司的最有趣的短语来选择这些有趣的文本实例。我们展示了LMDIFF对多种案例研究的假设生成的适用性。在http://lmdiff.net提供演示。
translated by 谷歌翻译