深度度量学习（DML）模型通常需要强大的本地和全球表示，但是，DML模型培训中的本地和全球特征的有效整合是一项挑战。 DML模型通常具有特定损耗功能，包括基于成对和基于代理的损失。基于成对的损耗函数利用数据点之间丰富的语义关系，然而，在DML模型训练期间经常遭受缓慢的收敛。另一方面，基于代理的损耗功能通常会导致培训期间收敛的显着加速，而基于代理的损失通常不会完全探索数据点之间的丰富关系。在本文中，我们提出了一种新的DML方法来解决这些挑战。所提出的DML方法通过集成对基于基于代理的损耗函数来利用丰富的数据到数据关系以及快速收敛来利用混合丢失来利用混合丢失。此外，所提出的DML方法利用全局和本地功能在DML模型培训中获得丰富的表示。最后，我们还使用二阶注意功能增强，以提高准确和有效的检索。在我们的实验中，我们在四个公共基准中广泛评估了所提出的DML方法，实验结果表明，该方法在所有基准上实现了最先进的性能。
translated by 谷歌翻译
数字双技术被认为是现代工业发展的组成部分。随着技术Internet技术（IoT）技术的快速发展以及自动化趋势的增加，虚拟世界与物理世界之间的整合现在可以实现生产实用的数字双胞胎。但是，数字双胞胎的现有定义是不完整的，有时是模棱两可的。在此，我们进行了历史审查，并分析了数字双胞胎的现代通用观点，以创建其新的扩展定义。我们还审查并讨论了在安全至关重要的机器人技术应用中数字双胞胎中现有的工作。特别是，由于环境挑战，数字双胞胎在工业应用中的使用需要自动和远程操作。但是，环境中的不确定性可能需要对机器人进行仔细监控和快速适应，这些机器人需要防止安全和成本效益。我们展示了一个案例研究，以开发针对安全至关重要的机器人臂应用框架，并提出系统性能以显示其优势，并讨论未来的挑战和范围。
translated by 谷歌翻译
Digital Twin Technology在现代工业发展中起着关键作用。尤其是，随着技术的技术进步（IoT）以及自主权的日益增长的趋势，配备多传感器的机器人技术可以创建实用的数字双胞胎，这在运营，维护和安全的工业应用程序中特别有用。在此，我们演示了一个现实世界中的数字双胞胎，其中包括安全至关重要的机器人应用程序，并带有Franka-Emika-Panda机器人臂。我们开发并展示了一个避免动态障碍物的边缘辅助协作数字双胞胎，这对于在工业物联网中不确定和动态的环境中运行时可以实时适应机器人。
translated by 谷歌翻译
Point Cloud上采样是增强现实，虚拟现实和触觉场景所必需的。尽管对几何形状的提升进行了充分的研究以使点云坐标致密，但颜色的上采样已在很大程度上被忽略了。在本文中，我们提出了Cu-net，这是第一个深度学习点云颜色上采样模型。基于稀疏卷积和基于神经隐式函数的颜色预测模块利用特征提取器，Cu-net实现了线性时间和空间的复杂性。因此，在理论上，CU-NET比具有二次复杂性的大多数现有方法更有效。实验结果表明，Cu-net可以实时用近一百万分为单位逼真的点云上色，同时具有比基线更好的视觉质量。此外，Cu-net可以适应任意的上采样比和看不见的对象。我们的源代码将很快发布给公众。
translated by 谷歌翻译
基于运输的指标和相关嵌入（转换）最近已用于模拟存在非线性结构或变化的信号类。在本文中，我们研究了具有广义的瓦斯汀度量的时间序列数据的测量特性，以及与它们在嵌入空间中签名的累积分布变换有关的几何形状。此外，我们展示了如何理解这种几何特征可以为某些时间序列分类器提供可解释性，并成为更强大的分类器的灵感。
translated by 谷歌翻译
本文使用签名的累积分布变换（SCDT）提出了一种新的端到端信号分类方法。我们采用基于运输的生成模型来定义分类问题。然后，我们利用SCDT的数学属性来使问题更容易在变换域中，并使用SCDT域中的最接近局部子空间（NLS）搜索算法求解未知样本的类。实验表明，所提出的方法提供了高精度的分类结果，同时又有数据效率，对分布样本的强大稳定性以及相对于深度学习端到端分类方法的计算复杂性而具有竞争力。在Python语言中的实现将其作为软件包Pytranskit（https://github.com/rohdelab/pytranskit）的一部分集成。
translated by 谷歌翻译
深度卷积神经网络（CNNS）广泛地被认为是最先进的通用端到端图像分类系统。然而，当训练数据受到限制时，它们众所周知，他们需要渲染方法计算得昂贵并且并不总是有效的数据增强策略。而不是使用数据增强策略来编码在机器学习中通常在机器学习中进行的修正，而我们建议通过利用氡累积分配变换（R-CDT）的某些数学属性来数学上增强切片 - Wasserstein空间中最近的子空间分类模型。最近引入的图像变换。我们证明，对于特定类型的学习问题，我们的数学解决方案在分类精度和计算复杂性方面具有深度CNN的数据增强，并且在有限的训练数据设置下特别有效。该方法简单，有效，计算高效，不迭代，不需要调整参数。实现我们的方法的Python代码可在https://github.com/rohdelab/mathemation_augmentation中获得。我们的方法是作为软件包Pytranskit的一部分，可在https://github.com/rohdelab/pytranskit中获得。
translated by 谷歌翻译
制定了具有机器学习模拟（骆驼）项目的宇宙学和天体物理学，通过数千名宇宙的流体动力模拟和机器学习将宇宙学与天体物理学结合起来。骆驼包含4,233个宇宙学仿真，2,049个n-body和2,184个最先进的流体动力模拟，在参数空间中采样巨大的体积。在本文中，我们介绍了骆驼公共数据发布，描述了骆驼模拟的特性和由它们产生的各种数据产品，包括光环，次麦，银河系和空隙目录，功率谱，Bispectra，Lyman - $ \ Alpha $光谱，概率分布函数，光环径向轮廓和X射线光子列表。我们还释放了超过骆驼 - 山姆的数十亿个星系的目录：与Santa Cruz半分析模型相结合的大量N身体模拟。我们释放包含350多个Terabytes的所有数据，并包含143,922个快照，数百万光环，星系和摘要统计数据。我们提供有关如何访问，下载，读取和处理数据AT \ URL {https://camels.readthedocs.io}的进一步技术详细信息。
translated by 谷歌翻译
普通射线照相被广泛用于检测总髋关节置换（THR）植入物的机械松动。目前，X光片是由医疗专业人员手动评估的，这可能是差的，并且观察者内部可靠性和准确性较低。此外，手动检测THR植入物的机械松动需要经验丰富的临床医生，这些临床医生可能总是很容易获得，可能导致诊断延迟。在这项研究中，我们提出了一种新型的，全自动和可解释的方法，用于使用深卷积神经网络（CNN）从纯X线照片中检测THR植入物的机械松动。我们使用五倍交叉验证对40名患者进行了40名患者的CNN培训，并将其性能与大量板认证的骨科医生（AFC）进行了比较。为了提高对机器结局的信心，我们还实施了显着图，以可视化CNN在哪里进行诊断。 CNN在诊断植入物的机械松动方面优于骨科医生，其敏感性明显高于敏感性（0.94），其特异性相同（0.96）（0.96）。显着图显示，CNN着眼于临床相关的特征以进行诊断。此类CNN可用于自动放射植入物的机械松动，以补充从业者的决策过程，提高其诊断准确性，并释放它们以进行以患者为中心的护理。
translated by 谷歌翻译
Designing experiments often requires balancing between learning about the true treatment effects and earning from allocating more samples to the superior treatment. While optimal algorithms for the Multi-Armed Bandit Problem (MABP) provide allocation policies that optimally balance learning and earning, they tend to be computationally expensive. The Gittins Index (GI) is a solution to the MABP that can simultaneously attain optimality and computationally efficiency goals, and it has been recently used in experiments with Bernoulli and Gaussian rewards. For the first time, we present a modification of the GI rule that can be used in experiments with exponentially-distributed rewards. We report its performance in simulated 2- armed and 3-armed experiments. Compared to traditional non-adaptive designs, our novel GI modified design shows operating characteristics comparable in learning (e.g. statistical power) but substantially better in earning (e.g. direct benefits). This illustrates the potential that designs using a GI approach to allocate participants have to improve participant benefits, increase efficiencies, and reduce experimental costs in adaptive multi-armed experiments with exponential rewards.
translated by 谷歌翻译