Autonomous navigation for large Unmanned Aerial Vehicles (UAVs) is fairlystraight-forward, as expensive sensors and monitoring devices can be employed.In contrast, obstacle avoidance remains a challenging task for Micro AerialVehicles (MAVs) which operate at low altitude in cluttered environments. Unlikelarge vehicles, MAVs can only carry very light sensors, such as cameras, makingautonomous navigation through obstacles much more challenging. In this paper,we describe a system that navigates a small quadrotor helicopter autonomouslyat low altitude through natural forest environments. Using only a single cheapcamera to perceive the environment, we are able to maintain a constant velocityof up to 1.5m/s. Given a small set of human pilot demonstrations, we use recentstate-of-the-art imitation learning techniques to train a controller that canavoid trees by adapting the MAVs heading. We demonstrate the performance of oursystem in a more controlled environment indoors, and in real natural forestenvironments outdoors.
translated by 谷歌翻译
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
当机器学习系统因对抗操纵而失败时,社会可以期待什么样的法律救济?通过基于对抗ML文献的场景,我们探讨了计算机犯罪,版权和侵权法的某些方面如何与扰动,中毒和模型转换,模型反转攻击相结合,以显示某些攻击比其他攻击更可能导致责任。最后,我们呼吁采取行动让MLresearchers投资于透明的攻击和防御基准;建筑师ML系统考虑到取证,最后,在公民自由的背景下更多地考虑对抗机器学习。该论文针对没有法律背景的ML研究人员。
translated by 谷歌翻译
高光谱图像(HSI)分类广泛用于分析遥感图像。高光谱图像包括不同的图像带。卷积神经网络(CNN)是最常用的基于深度学习的视觉数据处理方法之一。在最近的工作中也可以看到CNN用于HSI分类。这些方法主要基于2D CNN。然而,HSI分类性能高度依赖于空间和光谱信息。由于计算复杂性增加,很少有方法利用3D CNN。该信提出了用于HSI分类的混合光谱卷积神经网络(HybridSN)。基本上,HybridSN是频谱空间3D-CNN,其后是空间2D-CNN。 3D-CNN促进来自一叠光谱带的联合空间光谱特征表示。 3D-CNN顶部的2D-CNN进一步学习更抽象的空间表示。此外,与单独的3D-CNN相比,使用混合CNN降低了模型的复杂性。通过这种混合方法的表现,在Indian Pines,Pavia University和Salinas Sceneremote传感数据集上进行了非常严格的HSI分类实验。将结果与最先进的手工制作以及端到端深度学习方法进行比较。使用所提出的用于HSI分类的HybridSN获得了令人满意的性能。源代码可以在\ url {https://github.com/gokriznastic/HybridSN}找到。
translated by 谷歌翻译
以批准选票为基础的委员会组建涉及汇总个人对选民的批准。选民提交候选人的批准,并将这些批准汇总在一起,以达到指定规模的最佳委员会。文献中提出了几种聚合技术,这些技术在它们优化的标准函数方面各不相同。选民对候选人的偏好取决于他/她对候选人适用性的看法。我们注意到候选人具有使他/她适合或以其他方式适合的属性。因此,批准属性并选择具有已批准属性的候选者是相关的。本文讨论了选民在属性上提交批准时的委员会选择问题。虽然基于属性的偏好在几种情况下得到解决,但是早先没有尝试过具有属性批准的委员会选择问题。 Wenote认为,将候选人批准理论扩展到属性审批委员会选择问题并非易事。在本文中,我们研究了这个问题的不同方面,并表明当考虑基于属性的批准时,现有的聚合不会满足一致性和合理表示。我们提出了一种新的聚合规则,它满足上述两个特性。我们还提出了委员会选择问题的其他分析。
translated by 谷歌翻译
诸如Adam和RMSProp等自适应方法被广泛用于深度学习,但尚未被充分理解。在本文中,我们寻求在非凸面环境中对其行为进行清晰,清晰和精确的描述。为此,我们首先提供一种新的自适应方法视图作为预处理SGD,其中预处理器以在线方式估计。通过研究它自己的预处理器,我们阐明了它的目的:它重新调整随机梯度noiseto静止点附近的各向同性,这有助于逃避鞍点。此外,我们表明自适应方法可以有效地估计上述预处理器。通过将这两个组件粘合在一起,我们为任何自适应方法提供了第一个(据我们所知)二阶收敛结果。我们的分析的关键见解是,与SGD相比,自适应方法更快地逃离鞍点,并且可以更快地收敛到二阶静止点。
translated by 谷歌翻译
多语言NLP任务的并行语料库,像统计机器翻译系统这样的深度学习应用程序非常重要。根据系统的要求,可用于新闻翻译任务直到日期的印地语 - 英语语言对的并行大小非常​​有限。在这项工作中,我们开发了一个自动并行语料库系统原型,它创建了印地语 - 英语平行语料库,用于新闻翻译任务。为了验证生成的并行质量,我们通过采用各种性能指标进行了实验,结果非常有趣。
translated by 谷歌翻译
无监督学习是关于捕捉变量之间的依赖关系,并且由这些变量的可能与不可能的配置之间的对比驱动,通常是通过仅对可能性进行采样的生成模型或对于可能的低的能量函数(非标准化的对数密度)和不可思议的高。在这里,我们考虑学习能量函数和有效的近似抽样机制。尽管生成对抗网络(GAN)中的识别者学会分离数据和生成器样本,但在生成器上引入熵最大化正则化可以将批评者的解释转化为能量函数,将训练分布与其他所有内容分开,从而可以用于任务像异常或新奇的检测。然后,我们展示了如何在发生器潜在空间中完成MarkovChain Monte Carlo,其样本可以映射到数据空间,从而产生更好的样本。这些样本用于估计数据空间能量函数的对数似然梯度所需的负相位梯度。为了最大化发电机输出端的熵,我们利用最近引入的相互信息的神经估计器。我们发现除了为异常检测产生有用的评分函数之外,所得到的方法产生清晰的样本,同时很好地覆盖模式,导致高的Inception和Frechet分数。
translated by 谷歌翻译
机器人团队需要有效的沟通才能解决复杂的协作任务。在实践中,通信的编码和语义通常由专家手动定义;无论行为本身是定制的,基于优化的还是学习的,都是如此。我们使用神经网络来呈现代理体系结构和训练方法,以基于不知道通信的专家策略的示例来学习面向任务的通信语义。 Aperimeter防御游戏说明了系统能够处理动态变化的代理数量及其在性能方面的优雅降级,因为通信约束被收紧或专家的可观察性假设被打破。
translated by 谷歌翻译
最先进的神经网络容易受到对抗性的影响;它们很容易错误地分类与训练和测试数据不可察觉地不同的输入。在这项工作中,我们确定使用交叉熵损失函数和训练数据的低等级特征对这些输入的存在负有责任。根据这一观察结果,我们认为解决对抗性问题需要重新考虑使用交叉熵损失函数,并寻找更适合于具有低秩特征的最小化的替代方案。在这个方向上,我们提出了称为差分训练的训练方案,它使用一种损失函数,该函数定义在来自相反类的点的特征之间的差异上。我们证明,差分训练可以确保神经网络的决策边界与trainingdataset中的点之间有很大的差距。这个较大的余量增加了翻转分类器预测所需的扰动量,并且使得难以找到具有小扰动的adversarialexample。我们使用CIFAR-10数据集测试二元分类任务的差异训练,并证明它可以从根本上减少可以找到对抗性示例的图像比例 - 不仅在训练数据集中,而且在测试数据集中也是如此。
translated by 谷歌翻译