在课堂增量学习（CIL）设置中，在每个学习阶段将类别组引入模型。目的是学习到目前为止观察到的所有类别的统一模型表现。鉴于视觉变压器（VIT）在常规分类设置中的最新流行，一个有趣的问题是研究其持续学习行为。在这项工作中，我们为CIL开发了一个伪造的双蒸馏变压器，称为$ \ textrm {d}^3 \ textrm {前} $。提出的模型利用混合嵌套的VIT设计，以确保数据效率和可扩展性对小数据集和大数据集。与最近的基于VIT的CIL方法相反，我们的$ \ textrm {d}^3 \ textrm {前} $在学习新任务并仍然适用于大量增量任务时不会动态扩展其体系结构。 $ \ textrm {d}^3 \ textrm {oft} $的CIL行为的改善归功于VIT设计的两个基本变化。首先，我们将增量学习视为一个长尾分类问题，其中大多数新课程的大多数样本都超过了可用于旧课程的有限范例。为了避免对少数族裔的偏见，我们建议动态调整逻辑，以强调保留与旧任务相关的表示形式。其次，我们建议在学习跨任务进行时保留空间注意图的配置。这有助于减少灾难性遗忘，通过限制模型以将注意力保留到最歧视区域上。 $ \ textrm {d}^3 \ textrm {以前} $在CIFAR-100，MNIST，SVHN和Imagenet数据集的增量版本上获得了有利的结果。
translated by 谷歌翻译
Open Arms是一个新型的开源平台，该平台具有现实的人类机器人手和手臂硬件，并具有28个自由度（DOF），旨在扩展人形机器人抓握和操纵的能力和可访问性。敞开的武器框架包括开放的SDK和开发环境，仿真工具和应用程序开发工具，以构建和操作敞开的武器。本文描述了这些手控制，感应，机制，美学设计以及制造业及其现实世界的应用，并使用远程手工护理机器人进行了现实应用。从2015年到2022年，作者设计并确定了敞开的武器的制造作为低成本，高功能机器人手臂硬件和软件框架，以服务类人机器人的机器人应用以及对低成本假肢的紧急需求，作为一部分汉森机器人索菲亚机器人平台。使用消费产品制造的技术，我们着手定义模块化的低成本技术，以近似人类手的灵敏性和灵敏度。为了证明我们的手的敏捷性和控制，我们提出了一种生成握把残留的CNN（GGR-CNN）模型，该模型可以从实时速度（22ms）的各种对象的输入图像中生成强大的抗抑制剂。我们使用在标准的康奈尔（Cornell）握把数据集上使用模型体系结构实现了92.4％的最新准确性，该数据集包含各种各样的家庭对象。
translated by 谷歌翻译