2022-09-23
我们提供了一种单发图像合成的方法，该方法可以通过倒置配备有强正规化器的准稳定分类器来控制单个图像的操作。我们提出的标题为“魔术”的方法是从预先训练的准稳定分类器中的结构化梯度，以更好地保留输入语义，同时保留其分类精度，从而确保合成中的信誉。与当前使用复杂原语的当前方法来监督该过程或使用注意图作为弱监督信号，魔术汇总了输入上的梯度，这是由导向二进制掩码驱动的，该导向二进制掩码可以实施强大的空间先验。魔术在一个框架上实现了一系列的操作，以实现形状和位置控制，强烈的非刚性形状变形，并在存在重复对象的情况下复制/移动操作，并通过仅需指定二进制指南掩码来使用户对综合的企业控制。我们的研究和发现得到了与最新图像的各种定性比较，从成像网和使用机器感知进行定量分析的相同图像以及对100多名参与者的用户调查来认可我们的合成质量。
translated by 谷歌翻译
数据驱动和深度学习方法已证明具有代替复杂材料的经典本构模型，显示路径依赖性并具有多个固有量表。然而，以增量配方构建本构模型的必要性导致了数据驱动的方法，例如物理量，例如变形，与人工，非物理的混合，例如变形和时间的增量。神经网络和随之而来的本构模型依赖于特定的增量公式，无法在及时识别本地材料表示，并且概括不良。在这里，我们提出了一种新方法，该方法首次允许将材料表示与增量配方解矛。受热力学基于人工神经网络（TANN）和内部变量理论的启发，进化坦（Etann）是连续的，因此与上述人工数量无关。所提出的方法的关键特征是以普通微分方程的形式发现内部变量的进化方程，而不是以增量离散时间形式。在这项工作中，我们将注意力集中在并置，并展示如何在Etann中实现固体力学的各种一般概念。热力学定律是在网络结构中刻连接的，并且允许始终保持一致的预测。我们提出了一种方法，该方法可以从数据和第一原理中发现从复杂材料中的微观磁场中可接受的内部变量集。通过几种应用涉及各种复杂的材料行为，从可塑性到损伤和粘度，可以证明所提出方法的功能以及所提出方法的可伸缩性。
translated by 谷歌翻译
在这项工作中，我们介绍了RITA：蛋白质序列的自回归生成模型套件，具有多达12亿个参数，对属于Uniref-100数据库的2.8亿次蛋白质序列进行了培训。这种生成模型具有极大加速蛋白质设计的希望。我们对蛋白质结构域中自回旋变压器的模型大小进行的能力大小进行了首次系统研究：我们在下一个氨基酸预测，零摄像及适应性和酶功能预测中评估RITA模型，从而显示出增加的量表。我们公开发布丽塔模型，以使研究界受益。
translated by 谷歌翻译
阿拉伯联合酋长国阿布扎比技术创新研究所最近完成了一辆新的无人面车辆的生产和测试，称为Nukhada，专门用于自主调查，检查和对水下行动的支持。此稿件描述了Nukhada USV的主要特征，以及在开发期间进行的一些试验。
translated by 谷歌翻译
水下操纵是机器人中最卓越的正在进行的研究科目之一。\ acp {i-i-auv}不仅要应对与传统操纵任务相关的技术挑战，而且电流和波浪扰乱车辆的稳定性，以及低光，浑浊的水条件妨碍感知周围环境。当然，动态性质和对海洋环境的有限理解阻碍了水下机器人操纵的自主性能。该手稿讨论了以前的研究和限制因素，施加了对自治水下操纵的长期展示前景，最后突出了有可能提高I-AUV的自治能力的研究方向。
translated by 谷歌翻译
这项工作审查了水下环境中对象检测问题。我们在应用于这一具有挑战性环境时分析和量化计算机视觉社区中传统最新（SOTA）算法的缺点，以及为未来的研究努力提供见解和一般指导。首先，当对象检测器需要应用于可以应用于不同的特征分布的环境时，我们评估了对象检测器的预先估计是有益的。然后，在精度，联合（iou），每秒浮动操作（拖波）和推理时间的准确性方面，我们是否研究了两级检测器是否能够更好地产生更好的性能。最后，我们将每个模型的概括能力评估为较低质量的数据集，以模拟在实际情况下的性能，其中应该预期骚扰条件。我们的实验结果提供了证据，即水下对象检测需要搜索“ad-hoc”架构，而不是仅仅培训新数据上的SOTA架构，并且预先威胁并不有益。
translated by 谷歌翻译
现实世界中的大规模图形数据通常是动态而不是静态。数据随着时间的推移而出现的新节点，边缘，甚至是类，例如引用网络和研发协作网络。图形神经网络（GNNS）已成为众多关于图形结构数据的任务的标准方法。在这项工作中，我们采用了两步程序来探索GNN如何递增地适应新的未完成图形数据。首先，我们分析标准基准数据集的转换和归纳学习之间的边缘。在归纳预测后，我们将未标记的数据添加到图表中并显示模型稳定。然后，我们探索不断添加越来越多的标记数据的情况，同时考虑案例，在任何情况下都没有使用类标签注释。此外，我们在图表演变时介绍了新的类，并探索了自动检测来自先前看不见的类学的方法。为了以原则的方式处理不断发展的图形，我们提出了一个终身学习框架，用于图表数据以及评估协议。在本框架中，我们评估代表性的GNN架构。我们观察到模型参数内的隐式知识在显式知识时变得更加重要，即来自过去任务的数据，是有限的。我们发现，在开放世界节点分类中，令人惊讶地少数过去任务的数据足以达到通过从所有过去任务中记住数据达到的性能。在看不见的类检测的具有挑战性任务中，我们发现使用加权交叉熵损失对于稳定性很重要。
translated by 谷歌翻译