卷积神经网络的理论表明，移位阶段性的特性，即移动输入会导致同样移动的输出。但是，实际上，情况并非总是如此。这为场景文本检测带来了一个很好的问题，对于文本检测，一致的空间响应至关重要，无论文本在场景中的位置如何。使用简单的合成实验，我们证明了最先进的完全卷积文本检测器的固有移位方差。此外，使用相同的实验设置，我们展示了较小的体系结构变化如何导致改善的移位等效性和较小的检测器输出变化。我们使用文本检测网络上的现实世界培训时间表来验证合成结果。为了量化转移变异性的量，我们提出了一个基于公认的文本检测基准测试的度量。虽然提出的架构更改无法完全恢复移位均衡性，但添加平滑过滤器可以显着提高公共文本数据集的变化一致性。考虑到小移位的潜在影响，我们建议通过本工作中描述的指标扩展常用的文本检测指标，以便能够量化文本检测器的一致性。
translated by 谷歌翻译
基于航空图像的地图中的本地化提供了许多优势，例如全球一致性，地理参考地图以及可公开访问数据的可用性。但是，从空中图像和板载传感器中可以观察到的地标是有限的。这导致数据关联期间的歧义或混叠。本文以高度信息的代表制（允许有效的数据关联）为基础，为解决这些歧义提供了完整的管道。它的核心是强大的自我调整数据关联，它根据测量的熵调整搜索区域。此外，为了平滑最终结果，我们将相关数据的信息矩阵调整为数据关联过程产生的相对变换的函数。我们评估了来自德国卡尔斯鲁厄市周围城市和农村场景的真实数据的方法。我们将最新的异常缓解方法与我们的自我调整方法进行了比较，这表明了相当大的改进，尤其是对于外部城市场景。
translated by 谷歌翻译
冲突驱动的子句学习（CDCL）是解决命题逻辑令人满意问题的非常成功的范式。这种求解器不是简单的深度优先回溯方法，而是以其他条款的形式了解了发生冲突的原因。但是，尽管CDCL求解器取得了巨大的成功，但仍然对以什么方式影响这些求解器的性能有限。考虑到不同的措施，本文非常令人惊讶地证明，从句学习（不摆脱某些条款）不仅可以帮助求解器，而且可能会大大恶化解决方案过程。通过进行广泛的经验分析，我们进一步发现，CDCL求解器的运行时分布是多模式的。这种多模式可以看作是上面描述的恶化现象的原因。同时，这也表明了为什么从条款删除结合条款学习的原因实际上是SAT解决的事实标准，尽管存在这种现象。作为最终贡献，我们表明Weibull混合物分布可以准确描述多模式分布。因此，在基本实例中添加新的子句具有长期运行时间的固有效果。该洞察力提供了一个解释，即为什么忘记条款的技术在CDCL求解器中有用，除了单位传播速度的优化。
translated by 谷歌翻译
虽然在文献中广泛研究了完整的本地化方法，但它们的数据关联和数据表示子过程通常会被忽视。但是，两者都是最终姿势估计的关键部分。在这项工作中，我们介绍了DA-LMR（Delta-AngeS Lane标记表示），在本地化方法的上下文中具有强大的数据表示。我们提出了一种在每个点中的曲线改变的车道标记的表示，并且在附加维度中包括该信息，从而提供了更详细的数据的几何结构描述。我们还提出了DC-SAC（距离兼容的样本共识），数据关联方法。这是一个启发式版Ransac，通过距离兼容性限制大大减少了假设空间。我们将呈现的方法与一些最先进的数据表示和数据关联方法进行比较，以不同的嘈杂场景。 DA-LMR和DC-SAC在比较方面产生最有前途的组合，精度达到98.1％，并且对于标准偏差0.5米的嘈杂数据召回99.7％。
translated by 谷歌翻译