Reduced order modeling methods are often used as a mean to reduce simulation costs in industrial applications. Despite their computational advantages, reduced order models (ROMs) often fail to accurately reproduce complex dynamics encountered in real life applications. To address this challenge, we leverage NeuralODEs to propose a novel ROM correction approach based on a time-continuous memory formulation. Finally, experimental results show that our proposed method provides a high level of accuracy while retaining the low computational costs inherent to reduced models.
translated by 谷歌翻译
本文提出了一种新颖的域翻译方法。利用生成模型和动态系统之间建立的相似之处，我们提出了对循环构造的重新制定。通过将模型嵌入哈密顿结构，我们获得了一个连续，表现力且最重要的是域翻译的可逆生成模型。
translated by 谷歌翻译
自动驾驶车辆中的环境感知通常严重依赖于深度神经网络（DNN），这些神经网络受到域的转移，导致DNN部署期间的性能大大降低。通常，通过无监督的域适应（UDA）方法解决了此问题，同时在源和目标域数据集上训练了训练，甚至仅以离线方式对目标数据进行训练。在这项工作中，我们进一步将无源的UDA方法扩展到了连续的，因此可以在单一图像的基础上进行语义细分。因此，我们的方法仅需要供应商（在源域中训练）和电流（未标记的目标域）相机图像的预训练模型。我们的方法持续batchNorm适应（CBNA）使用目标域图像以无监督的方式修改了批准层中的源域统计信息，从而在推理过程中可以提高稳定的性能。因此，与现有作品相反，我们的方法可以应用于在部署期间不断地以单位图像改进DNN，而无需访问源数据，而无需算法延迟，并且几乎没有计算开销。我们在各种源/目标域设置中显示了我们方法在语义分割中的一致有效性。代码可在https://github.com/ifnspaml/cbna上找到。
translated by 谷歌翻译