修剪是一种有效的模型压缩技术,用于消除深度神经网络(DNN)连通性中的冗余。然而,使用通过修剪参数获得的稀疏矩阵的计算表现出极大不同的并行性,这取决于索引表示方案。因此,细粒度修剪由于其不规则的索引形式导致大的内存占用和卷积和矩阵乘法的低并行性而没有引起太多关注。在本文中,我们提出了一种新的网络修剪技术,它生成一个低秩二进制索引矩阵来压缩索引数据,而解压缩索引数据则通过简单的二进制矩阵乘法来执行。该提出的压缩方法找到特定的细粒度修剪掩模,其可以被分解成两个二进制矩阵。 Wealso提出了一种基于区块的分解技术,不仅可以降低内存需求,还可以提高压缩率。与先前的稀疏矩阵格式相比,可以使用少得多的DNN模型,同时保持相同的修剪率。
translated by 谷歌翻译
模式分析通常需要预处理阶段来提取选择特征,以帮助分类,预测或聚类阶段以更好的方式区分或表示数据。这一要求的原因是原始数据复杂且难以处理而无需事先提取或选择适当的特征。本文回顾了不同常用的特征选择和提取方法的理论和动机,并介绍了它们的一些应用。对于这些方法也示出了一些数字实现。最后,比较了方法的选择性和提取方法。
translated by 谷歌翻译
从过去穿过城市是什么感觉?在这项工作中,我们描述了Nostalgin(Nostalgia Engine),一种可以从历史图像中忠实地重建城市的方法。与城市重建中的现有工作不同,我们专注于从历史图像重建3D城市的任务。使用历史图像数据实际上更加困难,因为可用的建筑物明显更少,并且捕获图像的相机参数的细节是未知的。即使每个立面只有一个图像,Nostalgin也可以生成城市模型,无论视点或遮挡是什么。为实现这一目标,我们的新颖架构结合了图像分割,整改和修复。我们通过对管道中各个组件的实验分析来激励我们的设计决策,并表明我们可以在速度和视觉真实性方面改进基线。我们通过重建两个20世纪40年代的曼哈顿城市街区来展示我们管道的功效。我们的目标是将Nostalgin部署为一个开源平台,用户可以从自己的照片中生成沉浸式历史体验。
translated by 谷歌翻译
人工智能(AI)和自动化的快节奏推动了策略师重塑他们的商业模式。这促进了人工智能在业务流程中的整合,但这种采用的后果尚未得到探索,需要引起注意。本文重点介绍了企业对企业的整体影响 - 从研究,创新,市场部署到商业模式中的期货提升。为了获得这种整体影响,我们设计了基于Neo-Schumpeterian经济学及其三种力量的三维研究模型。创新,知识和创业精神。第一个维度涉及人工智能的研究和创新。在第二个维度中,我们探讨了人工智能对全球市场的影响以及企业的战略目标,最后,第三个维度探讨了人工智能如何塑造商业环境。此外,本文还探讨了对演员及其黑暗面的影响。
translated by 谷歌翻译
使用Graph NeuralNetworks(例如图形卷积网络)进行半监督学习的现有流行方法可证明不能学习邻域混合关系的年龄类。为了解决这个弱点,我们提出了一个新模型MixHop,它可以通过反复混合不同距离的邻居的特征表示来学习这些关系,包括差分算子。 MixHop不需要额外的内存或计算复杂性,并且在具有挑战性的基线上表现优异。此外,我们提出了大纲正规化,它允许我们可视化网络如何在不同的图表数据集中优先考虑邻居信息。我们对已知结构的分析表明,邻域混合因数据集而异。
translated by 谷歌翻译
对图像中罕见事件进行检测和分类的能力具有重要的应用价值 - 例如,在研究生物多样性时计算稀有和濒危物种,或检测那些对驾驶汽车构成危险的不常见的交通场景。少数学习是一个悬而未决的问题:当前的计算机视觉系统很难对他们在训练期间很少看到的对象进行分类,并且收集足够数量的训练样例通常具有挑战性且昂贵,有时甚至是不可能的。我们深入探索一种方法解决这个问题:用ad-hoc模拟数据补充少数可用的训练图像。我们的测试平台是动物物种分类,具有真实世界的长尾分布。我们分析了模拟中不同变化轴的影响,例如姿势,光照,模型和模拟方法,并详细说明了有效地将模拟数据合并到现实世界性能增益中的最佳实践。我们的实验表明,合成数据可以极大地降低罕见类的错误率,随着模拟数据量的增加,目标类的精度提高,模拟数据的高度变化提供最大的性能增益。
translated by 谷歌翻译
自动描绘和测量肝脏等主要器官是评估肝脏疾病,计划和术后或治疗随访的关键步骤之一。然而,通常需要执行计算机断层扫描(CT)扫描以及使用逐片技术对所得扫描进行复杂的后处理。在本文中,我们展示了3D器官形状可以直接从图像图像自动预测,与CT扫描相比,它更容易获取并且在采集期间对辐射的曝光有限。我们评估了我们使用生成模型预测肝脏形状的挑战性任务的方法。我们还证明了我们的方法可以与用户注释相结合,例如2D掩模,以提高预测准确性。我们在2129次CT扫描中显示了3Dliver形状重建和体积估计的令人信服的结果。
translated by 谷歌翻译
我们设想一个简洁地描述空中交通管制规则的系统,协助人类操作员并支持商业机场密集的自主空中交通。我们开发了一种方法,通过最大熵逆增强学习,从真实数据中学习空中交通控制规则作为成本函数。此成本函数用作基于研究的运动规划方法的惩罚,该方法将控制和状态空间离散化。我们通过展示我们的方法可以模仿机场到达路线和密集商业空中交通的分离规则来说明这种方法。得到的轨迹显示是安全,可行和有效的。
translated by 谷歌翻译
本文提出了一种新的压铸多目标优化策略。通过使冷却剂(通常是水)通过模具中的冷却管线来实现模具内的熔融金属的冷却。根据冷却线位置,冷却剂流速和模具几何形状,模具壁处的熔融金属施加不均匀的温度。 。这种边界条件以及初始熔融金属温度影响根据微观结构参数和屈服强度量化的产品质量。基于有限体积的数值求解器用于将输入与输出相关联。本研究的目的是估算初始壁温,以优化产品质量。使用非主导的分类遗传算法(NSGA-II),其用于解决多目标优化问题。 NSGA-II所需的功能评估数量可能达到数百万,因此,有限体积求解器不能直接用于优化。因此,使用来自数值求解器的结果训练的神经网络被用作代理模型。设计实际问题的简化版本以验证遗传算法的结果。基于灵敏度的本地灵敏度方法用于对最终的帕累托最优解决方案进行排名,并选择单一的最佳设计。
translated by 谷歌翻译
前景和沉积盆地演化模型的复杂且计算上昂贵的特征对于有效推理和优化方法的开发提出了重大挑战。贝叶斯推断提供了用于自由模型参数的估计和不确定性量化的方法。在我们之前的工作中,并行回火贝叶斯兰德被开发为景观和盆地演化模拟软件巴兰兹的参数估计和不确定性量化的框架。并行回火Bayeslands具有高性能计算功能,可并行运行数十个处理内核,以提高计算效率。尽管使用了并行计算,但由于需要绘制数千个样本并进行评估,因此该过程仍具有计算挑战性。在大规模景观和盆地演化问题中,单个模型评估可能需要几分钟到几小时,在某些情况下甚至几天。代理辅助优化已成功应用于许多工程问题。这促使其在优化和参考方法中的应用适用于地质学和地球物理学中的复杂模型。通过开发计算上廉价的代理来模拟昂贵的模型,可以加速并行回火贝叶斯兰德。在本文中,我们提出了代理辅助平行回火的应用,其中代理模仿包括侵蚀,沉积物运输和沉积在内的景观演化模型,通过估计模型给出的似然函数。我们使用机器学习模型作为代理,从并行调温算法生成的样本中学习。结果表明,该方法在保持解决方案质量的同时显着降低整体计算成本。
translated by 谷歌翻译