在异构机器人网络上进行计算负载共享是一个有希望的方法,可以将机器人能力和效率作为极端环境中的团队提高。然而,在这种环境中,通信链路可以是间歇性的,并且与云或因特网的连接可能是不存在的。在本文中,我们介绍了用于多机器人系统的通信感知,计算任务调度问题,并提出了整数线性程序(ILP),该程序(ILP)优化了异构机器人网络中的计算任务分配,占网络机器人的计算能力对于可用(和可能的时变)通信链接。我们考虑调度由依赖关系图建模的一组相互依赖的必需任务和可选任务。我们为共享世界,分布式系统提供了一项备份的调度架构。我们验证了ILP制定和不同计算平台中的分布式实现,并在模拟场景中,偏向于月球或行星探索方案。我们的研究结果表明,与没有计算负载共享的类似系统相比,所提出的实施方式可以优化提高时间表以允许三倍增加所执行的奖励任务的数量(例如,科学测量)。
translated by 谷歌翻译
我们希望在数据结构和算法的主题项目中解决的问题是破译某些图像,这些图像具有更具特异性的牛动物;其中有必要识别动物是否健康,也就是说,如果它在选择牛的过程中要考虑到良好的条件,或者如果它生病,以知道它是否被丢弃。通过这种压缩算法,这允许拍摄图像并将它们带到这些代码中的检查,并不总是结果将是百分之百精确,但允许此代码是什么允许的高效,它是它适用于机器学习,这意味着它需要的信息越多,结果就越精确,结果将越高,而不会带来一般的兴趣。所提出的算法是NN和双线性插值,其中在执行速度上获得了显着的结果。它的结论是,可以做得更好的工作,但随着交付的事情,据信这是工作的好结果。
translated by 谷歌翻译
简介:通过人工视觉,移动应用能够实时识别蔬菜物种。然而,现有物种识别应用程序不考虑各种流行和本地(智利)物种,这导致错误的物种预测。本研究介绍了智利物种数据集的开发和实现给移动应用的优化分类模型。方法:通过将捕获的若干物种的图片放在一起,并通过在在线可用的其他数据集中选择可获得的一些图片来构建数据集。使用卷积神经网络以开发图像预测模型。通过执行敏感性分析,通过k折交叉验证和使用不同的超参数,优化器,卷积层和学习率进行验证,验证网络,以便识别和选择最佳模型,然后将它们放在一起分类模型。结果:最终数据集比46种,包括智利的本土物种,流行和异国情调,6120次训练图片和655次检测照片。最好的模型在移动应用程序上实现,获得了相对于该组测试的95%的正确预测率。结论:本研究开发的应用程序能够通过高度准确度进行分类物种,具体取决于人工视野的领域,它还可以显示与分类物种相关的相关信息。
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
即使在几十年的研究之后,动态场景背景重建和前景对象分割仍然被认为是由于诸如由空气湍流或移动树引起的照明变化,相机运动或背景噪声等各种挑战而被视为公开问题。我们在本文中提出了使用AutoEncoder将视频序列的背景模拟为低维歧管,并将由该AutoEncoder提供的重建背景与原始图像进行比较以计算前景/背景分割掩码。所提出的模型的主要新颖性是,AutoEncoder也接受了预测背景噪声,其允许为每个帧计算以执行背景/前景分割的像素相关阈值。虽然所提出的模型不使用任何时间或运动信息,但它超过了CDNET 2014和Lasiesta数据集的无监督背景减法的最先进的背景,并且对相机正在移动的视频有重大改进。
translated by 谷歌翻译
医学图像分割的主要困难之一是这些图像的高可变性,这是由它们的起源(多中心),获取协议(多参数)以及人类解剖学的可变性引起的,以及人的严重程度疾病,年龄和性别的影响等。在这项工作中解决的问题是使用卷积神经网络的腰椎磁共振图像的自动语义分割。目的是为图像的每个像素分配类标签。课程由放射科学家定义,对应于不同的结构元素,如椎骨,椎间盘,神经,血管和其他组织。所提出的网络拓扑是U-Net架构的变体。几个互补块用于定义变体:三种类型的卷积块,空间注意模型,深度监督和多级特征提取器。本文档描述了拓扑,并分析了获得最准确的细分的神经网络设计的结果。其中一些建议的设计优于使用作为基线的标准U-Net,特别是当在与不同的策略组合的多个神经网络的输出中使用的集合时使用。
translated by 谷歌翻译
由于他们提供的即时和社交交互,社交网络已成为人类的主要信息渠道之一,允许在某些情况下发布每个用户认为相关的内容。这带来了虚假新闻或假新闻的产生,只会寻求产生不确定性,错误信息或歪曲读者的意见。已经表明,人类无法充分识别文章是否真的是一个事实或假新闻,因为这是由于模型而旨在基于数据挖掘和机器学习来表征和识别文章。本文提出了一个三层框架,主要目标是,它是表征假新闻中存在的情绪,并成为未来工作的工具,以确定公众的情绪状态和故意状态。
translated by 谷歌翻译
现代深度学习需要大规模广泛标记的数据集进行培训。少量学习旨在通过有效地从少数标记的例子中学习来缓解这个问题。在先前提出的少量视觉分类器中,假设对分类器决定的特征歧管具有不相关的特征尺寸和均匀特征方差。在这项工作中,我们专注于通过提出以低标签制度运行的差异敏感的模型来解决这一假设引起的限制。第一种方法简单的CNAP,采用基于分层正规的Mahalanobis距离基于距离的分类器,与现有神经自适应特征提取器的状态相结合,以在元数据集,迷你成像和分层图像基准基准上实现强大性能。我们进一步将这种方法扩展到转换学习设置,提出转导压盖。这种转换方法将软k-means参数细化过程与两步任务编码器相结合,以实现使用未标记数据的改进的测试时间分类精度。转导CNAP在元数据集上实现了最先进的性能。最后,我们探讨了我们的方法(简单和转换)的使用“开箱即用”持续和积极的学习。大规模基准的广泛实验表明了这一点的鲁棒性和多功能性,相对说话,简单的模型。所有培训的模型检查点和相应的源代码都已公开可用。
translated by 谷歌翻译
最近的多任务学习研究旨在反对单一的标准化,其中培训只需最大限度地减少任务损失的总和。代替了几种Ad-hoc多任务优化算法,它受到各种假设的启发,关于使多任务设置困难的原因。这些优化器中的大多数都需要每个任务渐变,并引入重要的内存,运行时和实现开销。我们提出了一个理论分析,表明许多专业的多任务优化器可以被解释为正规化的形式。此外,我们表明,当与单任务学习的标准正则化和稳定技术耦合时,单一的标定化匹配或改善在监督和加固学习设置中复杂的多任务优化器的性能。我们相信我们的结果要求对该地区最近的研究进行关键重新评估。
translated by 谷歌翻译
Facebook帖子与相应的反应特征之间的关系是探索和理解的有趣主题。为了归档此目的,我们测试最先进的Sinhala情绪分析模型,用于数据集,其中包含数百万反应的十年僧伽罗柱。为建立基准和识别Sinhala情感分析的最佳模型的目标,我们还测试了同一数据集配置,其他深度学习模型迎合了情绪分析。在这项研究中,我们报告说,3层双向LSTM模型对于Sinhala情感分析的F1得分为84.58%,超越了当前的最先进的模型;胶囊B,只有设法获得82.04%的F1得分。此外,由于所有深度学习模型显示F1分数高于75%,我们得出结论,声称Facebook反应适合预测文本的情绪是安全的。
translated by 谷歌翻译