有效的视觉在延迟预算下的精度最大化。这些作品一次评估脱机准确性，一次是一张图像。但是，诸如自动驾驶之类的实时视觉应用在流媒体设置中运行，在这些设置中，地面真相在推理开始和终点之间会发生变化。这会导致明显的准确性下降。因此，最近提出的一项旨在最大程度地提高流媒体设置准确性的工作。在本文中，我们建议在每个环境环境中最大化流的准确性。我们认为场景难度会影响初始（离线）精度差异，而场景中的障碍物位移会影响后续的准确性降解。我们的方法章鱼使用这些方案属性来选择在测试时最大化流量准确性的配置。我们的方法将跟踪性能（S-MOTA）提高了7.4％，而常规静态方法则提高了。此外，使用我们的方法提高性能，而不是离线准确性的进步，而不是代替而不是进步。
translated by 谷歌翻译
在本文中，我们研究了针对泊松方程的解决方案的概率和神经网络近似，但在$ \ mathbb {r}^d $的一般边界域中，较旧或$ c^2 $数据。我们的目标是两个基本目标。首先，也是最重要的是，我们证明了泊松方程的解决方案可以通过蒙特卡洛方法在sup-norm中进行数值近似，但基于球形算法的步行略有变化。这提供了相对于相对于相对于相对于有效的估计值规定的近似误差且没有维度的诅咒。此外，样品的总数不取决于执行近似的点。作为第二个目标，我们表明获得的蒙特卡洛求解器renders relu relu深层神经网络（DNN）解决泊松问题的解决方案，其大小在尺寸$ d $以及所需的错误中大多数取决于多项式。和低多项式复杂性。
translated by 谷歌翻译
数字双胞胎是一个代孕模型，具有反映原始过程行为的主要功能。将动力学过程与降低复杂性的数字双模型相关联具有很大的优势，可以将动力学以高精度和CPU时间和硬件的成本降低到遭受重大变化的时间表，因此很难探索。本文介绍了一个新的框架，用于创建有效的数字双流体流量流量。我们介绍了一种新型算法，该算法结合了基于Krylov的动态模式分解的优势和正确的正交分解，并优于选择最有影响力的模式。我们证明，随机正交分解算法提供了比SVD经验正交分解方法的几个优点，并减轻了对多目标优化问题的投影误差。我们涉及最先进的艺术人工智能（DL）以执行实时的实时学习（DL）数字双胞胎模型的自适应校准，富裕性的增加。该输出是流体流动动力学的高保真数字双数据数据模型，具有降低的复杂性。在三波现象的数值模拟中，随着复杂性的增加，研究了新的建模工具。我们表明，输出与原始源数据一致。我们在数值准确性和计算效率方面对新数字数据模型的性能进行彻底评估，包括时间模拟响应功能研究。
translated by 谷歌翻译
在本文中，我们提出了对罗马尼亚的进化和预测的分析，结合了SIRD的数学模型，Sird的数学模型是经典模型SIR的扩展，其中包括死者作为单独的类别。原因是，由于我们无法完全信任被报告的感染或恢复人数，因此我们基于更可靠的死者人数的分析。此外，我们模型的参数之一包括感染和测试与受感染的比例。由于有许多因素对大流行的演变产生影响，因此我们决定基于前7天的数据来处理估计和预测，在这里尤其重要。我们使用神经网络分两个步骤执行估计和预测。首先，通过使用模型模拟数据，我们训练了几个学习模型参数的神经网络。其次，我们使用这些神经网络中的十个集合来预测罗马尼亚Covid19的真实数据的参数。这些结果中的许多是由定理支持的，该定理可以保证我们可以从报告的数据中恢复参数。
translated by 谷歌翻译
众所周知，样本协方差在光谱中具有一致的偏差，例如惠art矩阵的频谱遵循Marchenko-Pastur法。我们在这项工作中引入了迭代算法的“浓度”，它积极消除这种偏差并恢复小和中等维度的真实频谱。
translated by 谷歌翻译
在本文中，我们建议对罗马尼亚的Covid19的演变进行三个阶段分析。关于大流行预测，有两个主要问题。第一个是事实，即受感染和恢复的数量是不可靠的，但是死亡人数更准确。第二个问题是有许多因素影响了大流行的演变。在本文中，我们提出了三个阶段的分析。第一阶段是基于我们使用神经网络进行的经典SIR模型。这提供了第一组每日参数。在第二阶段，我们提出了对SIR模型的改进，其中我们将死者分为不同的类别。通过使用第一个估计和网格搜索，我们每天对参数进行估计。第三阶段用于定义参数的转折点（本地极端）的概念。我们将这些要点之间的时间称为政权。我们根据SIRD的时间变化参数来概述一种通用方式，以进行预测。
translated by 谷歌翻译