黑色士兵苍蝇（BSF）可以是传统处理食物和农业废物（生物塑料）（例如垃圾填埋场）的有效替代方法，因为其幼虫能够迅速将生物塑料转变为现成的生物量。但是，仍然存在一些挑战，以确保BSF耕作在不同的规模上经济可行，并且可以广泛实施。需要手动劳动，以确保从充气喂食基板到监测生长周期中的非生物条件，以确保恢复幼虫的最佳条件。本文介绍了一种概念验证自动化的方法来饲养BSF幼虫，以确保最佳的生长条件，同时减少体力劳动。我们用“智能盖”改造现有的BSF饲养箱，称其为盖子的热盘性质，并带有多个垃圾箱。该系统会自动为幼虫 - 迪埃特底物充气，并实时向用户提供幼虫的生物信息。提出的解决方案使用自定义曝气方法和一系列传感器来创建软实时系统。使用热成像和经典计算机视觉技术监测幼虫的生长。实验测试表明，我们的自动化方法与手动技术相当产生BSF幼虫。
translated by 谷歌翻译
We investigate the feasibility of using mixtures of interpretable experts (MoIE) to build interpretable image classifiers on MNIST10. MoIE uses a black-box router to assign each input to one of many inherently interpretable experts, thereby providing insight into why a particular classification decision was made. We find that a naively trained MoIE will learn to 'cheat', whereby the black-box router will solve the classification problem by itself, with each expert simply learning a constant function for one particular class. We propose to solve this problem by introducing interpretable routers and training the black-box router's decisions to match the interpretable router. In addition, we propose a novel implicit parameterization scheme that allows us to build mixtures of arbitrary numbers of experts, allowing us to study how classification performance, local and global interpretability vary as the number of experts is increased. Our new model, dubbed Implicit Mixture of Interpretable Experts (IMoIE) can match state-of-the-art classification accuracy on MNIST10 while providing local interpretability, and can provide global interpretability albeit at the cost of reduced classification accuracy.
translated by 谷歌翻译
使用计算机视觉对间接费用的分析是一个问题，在学术文献中受到了很大的关注。在这个领域运行的大多数技术都非常专业，需要大型数据集的昂贵手动注释。这些问题通过开发更通用的框架来解决这些问题，并结合了表示学习的进步，该框架可以更灵活地分析具有有限标记数据的新图像类别。首先，根据动量对比机制创建了未标记的空中图像数据集的强大表示。随后，通过构建5个标记图像的准确分类器来专门用于不同的任务。从6000万个未标记的图像中，成功的低水平检测城市基础设施进化，体现了我们推进定量城市研究的巨大潜力。
translated by 谷歌翻译