无人驾驶飞行器(UAV)是一种相对较新的技术。应用程序通常涉及复杂和看不见的问题。例如,他们可以在地面站的监督下在基于合作社的环境中工作,以加速关键的决策过程。然而,飞机和地面站之间交换的信息量受到高距离,低带宽尺寸,受限制的处理能力和能量限制的限制。这些缺点限制了诸如大的非常大的大规模操作。新的分布式最先进的处理架构,如雾计算,可以通过不同层次的数据采集,处理和存储来改善延迟,可扩展性和效率,以满足时间约束。在这些修订中,这项研究工作提出了一个数学模型分析基于分布的无人机拓扑和用于大规模任务和搜索操作的雾云计算框架。这些测试成功地预测了延迟和其他操作限制,使得分析计算优势优于传统的云计算架构。
translated by 谷歌翻译
连续晶体学是通过衍射图案研究晶体结构和性质的科学领域。在本文中,我们引入了由真实和合成图像组成的新的连续晶体学数据集;通过使用既可扩展又准确的模拟器生成合成图像。生成的数据集称为DiffraNet,它由25,457个512x512灰度标记图像组成。我们探索了几种用于在DiffraNet上进行分类的计算机视觉方法,例如与随机森林和支持VectorMachines相关的标准特征提取算法,以及一个被称为DeepFreak的端到端CNN拓扑,用于处理这个新数据集。所有实施都是公开的,并且使用现成的AutoML优化工具进行精细调整,以进行公平的比较。我们的最佳模型在合成图像上的准确率达到98.5%,在真实图像上达到94.51%的准确度。我们相信,DiffraNet数据集及其分类方法将在长期内对加速许多学科的发现产生积极影响,包括化学,地质学,生物学,材料科学,冶金学和物理学。
translated by 谷歌翻译
本文提出了一种基于复杂网络与随机神经网络融合的高判别纹理分析方法。在这种方法中,输入图像被建模为复杂网络,其拓扑性质以及图像像素用于训练随机神经网络,以便创建表示纹理的深度特征的签名。获得的结果超过了文献中许多方法的准确度。这种表现表明,我们提出的方法开辟了一个有前途的研究来源,其中包括探索纹理分析领域中神经网络和复杂网络的协同作用。
translated by 谷歌翻译
评估图像处理技术功效的传统指标无法理解现代图像处理方法的能力和局限性 - 特别是那些通过深度学习实现的方法。在工程解决方案中应用图像处理时,科学家或工程师需要使用clearmetrics来证明他们的设计决策。通过在图像处理之前和之后应用盲/无参考图像空间质量(BRISQUE),结构相似性(SSIM)指数得分和峰值信噪比(PSNR),我们可以以有意义的方式量化质量改进并确定给定方法的最低可恢复图像质量。
translated by 谷歌翻译
行人和车辆经常在复杂的城市交通中共享道路。这导致车辆和行人之间的相互作用,同时影响对方的运动。为了创建可靠的方法来推理行人行为并设计自驾车和行人之间的通信接口,我们需要更好地理解这种交互。在本文中,我们提出了一种数据驱动的方法来隐式模拟行人与车辆的相互作用,以更好地预测行人行为。我们提出了一种LSTM模型,该模型将行人和自我车辆的过去轨迹以及行人头部方向作为输入,并预测行人的未来位置。我们基于使用车载摄像头拍摄的真实世界内城数据集的实验表明,与基准线使用过去的行人轨迹相比,此类线索的使用改善了行人预测。
translated by 谷歌翻译
在广义线性估计(GLE)问题中,我们寻求估计通过线性变换观察到的信号,然后是分量,可能是非线性和噪声的信道。在贝叶斯最优设置中,已知广义近似消息传递(GAMP)实现GLE的最佳性能。然而,只要假设和真实生成模型之间存在不匹配,其性能就会显着降低,这种情况在实践中经常遇到。在本文中,我们提出了一种新算法,称为广义近似测量传播(GASP),用于在存在先验或模型误规范的情况下求解GLE。作为原型示例,我们考虑相位检索问题,其中我们显示GASPout执行相应的GAMP,降低重建阈值,并且对于其参数的某些选择,接近贝叶斯最优性能。此外,我们提出了一组状态演化方程,它可以在高维极限中表征GASP的动力学。
translated by 谷歌翻译
我们提出了一个结合了分层规划和机器学习的思想的导航系统。该系统使用传统的全局规划器来计算朝向目标的最佳路径,并使用深度局部轨迹规划器和速度控制器来计算运动命令。系统的后者组件通过注意机制调整机器人的行为,使其朝向目标移动,避开障碍物,并尊重近距离行人的空间。所提出的深度模型的结构和使用注意机制都使得系统的执行可以解释。我们的仿真实验表明,所提出的架构优于基线,可以将全局计划信息和传感器数据直接映射到velocitycommands。与手工设计的传统导航系统相比,所提出的方法表现出更一致的性能。
translated by 谷歌翻译
对高质量和低延迟多媒体服务的不断增长的需求引起了对边缘缓存技术的极大兴趣。受此启发,我们在本文中考虑了具有未知内容普遍性分布的基站的边缘缓存。为了解决制定高速缓存决策的动态控制问题,我们提出了一种基于深度行为者 - 强化学习的多智能体框架,旨在最小化整体平均传输延迟。为了评估提出的框架,我们将基于学习的性能与其他三种缓存策略进行比较,即最近最少使用(LRU),最少使用(LFU)和先进先出(FIFO)策略。通过仿真结果,已经确定了这三种缓存算法的提议框架的性能改进,并证明了它适应不同环境的优越性。
translated by 谷歌翻译
我们考虑用于表示车辆动力学的神经网络的在线适应问题。神经网络模型旨在由MPC控制法使用以自主地控制车辆。这个问题具有挑战性,因为输入和目标分布都是非平稳的,而在线适应的天真方法会导致灾难性的遗忘,从而导致控制器故障。我们提出了一种新颖的在线学习方法,它将伪排练方法与局部加权投影回归相结合。我们证明了在模拟中使用局部加权投影回归伪排练(LW-PR $ ^ 2 $)方法的有效性以及使用1/5比例自动驾驶车辆收集的大型真实世界数据集。
translated by 谷歌翻译
许多人类活动需要几分钟才能展开。为了表示它们,相关工作选择统计池,忽略时间结构。其他选择卷积方法,如CNN和非局部。虽然成功地学习时间概念,但它们缺乏对长达数分钟的时间依赖性的建模。我们提出VideoGraph,一种实现最佳双重世界的方法:代表长达数分钟的人类活动并学习其基本的时间结构。 VideoGraph学习基于图形的人类活动表示。图形,其节点和边缘完全从视频数据集中学习,使得VideoGraph适用于没有节点级别注释的问题。结果是对基准测试的相关工作进行了改进:Epic-Kitchen和Breakfast。此外,我们证明VideoGraph能够在长达数分钟的视频中容忍人类活动的时间结构。
translated by 谷歌翻译