在本文中，我们介绍了一个单像素的到达方向（DOA）估计技术，利用了曲线图注意网络（GAT）的深度学习框架。使用编码孔径技术实现物理层压缩，探测使用一组时空不连贯模式探测入射在孔径上的远场源的光谱。然后将该信息进行编码并压缩到编码孔径的信道中。编码孔径基于元表面天线设计，并且它用作接收器，展示单通道并替换基于传统的多通道光栅扫描基于DOA估计的解决方案。 GAT网络使得压缩DOA估计框架能够直接从使用编码孔径获取的测量来学习DOA信息。该步骤消除了对额外的重建步骤的需求，并显着简化了处理层以实现DOA估计。我们表明所提出的GAT集成单像素雷达框架即使在相对低的信噪比（SNR）水平下也可以检索高保真DOA信息。
translated by 谷歌翻译
本文提出了一种依赖于多输出高斯过程的人驾驶员交互的方法。该提出的方法是作为一种改进的游戏理论分层推理方法，称为“ked-k推理”，其通常将离散的行为水平分配给代理。虽然它被证明是一种有效的建模工具，但是电平推理方法可能会对由于其提取的有限数量（通常是2或3）的有限数量（通常是2或3）而言，对人类决策构成不希望的限制。提出了拟议的方法，通过引入一个连续的域框架来填补文献中的这种差距，这使得无限的政策空间能够实现。通过使用本文中呈现的方法，可以获得更精确的驱动器模型，然后可以采用该驾驶员模型，用于为自主车辆控制算法验证创建高保真仿真平台。该方法在真实的交通数据集上验证，并与传统的水平-K方法进行比较，以展示其贡献和含义。
translated by 谷歌翻译
增加对肉类产品的需求与农业劳动力短缺相结合，导致需要开发新的实时解决方案来有效监控动物。使用跟踪逐方法连续定位单个猪进行了重大进展。然而，这些方法由于单个固定摄像机而不能以足够的分辨率覆盖整个地板的椭圆形钢笔。我们通过使用多个相机来解决这个问题，使得相邻摄像机的视野重叠，它们在一起跨越整个楼层。当猪从一个摄像机视图到相邻相机的视图时，避免跟踪中的断裂需要相互作用的切换。我们在地板上识别相邻的相机和共用猪位置，在地板上使用视图间的界面定位。我们的实验涉及两个生长良好的钢笔，每个成长型猪，每个猪，以及三个RGB相机。我们的算法首先使用基于深度学习的对象检测模型（YOLO）来检测猪，并使用多目标跟踪算法（DevelSort）创建其本地跟踪ID。然后，我们使用相互相互作用的共享位置来匹配多个视图，并为在整个跟踪中保存的每只猪生成全局ID。为了评估我们的方法，我们提供了五种两分钟的长视频序列，具有完全注释的全球标识。我们在单个摄像头视图中跟踪猪，多目标跟踪精度和精度分别为65.0％和54.3％，实现了74.0％的相机切换精度。我们在https://github.com/aifarms/multi-camera-pig-tracking中开源我们的代码和注释数据集
translated by 谷歌翻译