光场显着性检测 - 由于许多视力任务中的效用，重要 - 仍然缺乏速度，可以提高准确性。由于在光场中的显着性检测问题作为分割任务或记忆任务，现有方法消耗不必要的大量计算资源进行培训，并且具有更长的测试时间进行测试。我们通过积极地将大型光场图像减少到适当的三声道特征映射的大量三声道特征映射来解决这一点，适合使用RGB图像显着检测器具有注意机制。我们通过引入新的卷积神经网络的特征提取和编码模块来实现这一目标。我们的显着探测器需要0.4美元来处理CPU的9 \ Times9 \ Times512 \ Times375 $的灯田。比最先进的灯场显着性检测器更快，精度更快。此外，与最先进的灯场显着性检测器相比，我们的架构的模型大小显着降低。我们的工作表明，通过侵略性尺寸减小从轻场提取特征，引起注意机构导致较快，准确的光场显着探测器，导致近实时光场处理。
translated by 谷歌翻译
This paper proposes a perception and path planning pipeline for autonomous racing in an unknown bounded course. The pipeline was initially created for the 2021 evGrandPrix autonomous division and was further improved for the 2022 event, both of which resulting in first place finishes. Using a simple LiDAR-based perception pipeline feeding into an occupancy grid based expansion algorithm, we determine a goal point to drive. This pipeline successfully achieved reliable and consistent laps in addition with occupancy grid algorithm to know the ways around a cone-defined track with an averaging speeds of 6.85 m/s over a distance 434.2 meters for a total lap time of 63.4 seconds.
translated by 谷歌翻译
2022-12-07
With the boom of digital educational materials and scalable e-learning systems, the potential for realising AI-assisted personalised learning has skyrocketed. In this landscape, the automatic generation of educational questions will play a key role, enabling scalable self-assessment when a global population is manoeuvring their personalised learning journeys. We develop EduQG, a novel educational question generation model built by adapting a large language model. Our initial experiments demonstrate that EduQG can produce superior educational questions by pre-training on scientific text.
translated by 谷歌翻译
我们考虑了众包平台的成本优化利用问题，即给定规定的误差阈值，用于二进制，无监督分类的项目。假定众包平台上的工人根据他们的技能，经验和/或过去的表现，将其分为多个类。我们通过未知的混淆矩阵对每个工人类建模，并根据标签预测支付（已知的）价格。对于此设置，我们提出了用于从工人那里获取标签预测以及推断项目的真实标签的算法。我们证明，如果可用的（未标记）项目数量足够大，我们的算法满足规定的错误阈值，从而产生了几乎最佳的成本。最后，我们通过广泛的案例研究来验证我们的算法和一些受其启发的启发式启发。
translated by 谷歌翻译
异常检测是机器学习中的重要问题。应用领域包括网络安全，保健，欺诈检测等，涉及高维数据集。典型的异常检测系统始终面临不同类别的样本大小的巨大差异的类别不平衡问题。他们通常有课堂重叠问题。本研究使用了胶囊网络进行异常检测任务。据我们所知，这是第一实例，其中在高维非图像复杂数据设置中分析了对异常检测任务的胶囊网络的实例。我们还处理相关的新颖性和异常值检测问题。胶囊网络的架构适用于二进制分类任务。胶囊网络由于在内部胶囊架构中捕获的预测中捕获的观点不变性的效果，因此提供了一种良好的选择。我们使用了六分层的完整的AutoEncoder架构，其中包含胶囊的第二层和第三层。使用动态路由算法训练胶囊。我们从原始MNIST DataSet创建了10美元的高价数据集，并使用5美元的基准模型进行了胶囊网络的性能。我们的领先的测试设定措施是少数民族阶级和ROC曲线下的F1分数。我们发现胶囊网络通过仅使用10个时期进行训练和不使用任何其他数据级别和算法级别方法，胶囊网络在异常检测任务上表现出对异常检测任务的所有其他基线模型。因此，我们得出结论，胶囊网络在为异常检测任务进行建模复杂的高维不平衡数据集。
translated by 谷歌翻译
在信息推荐人中，由于需要处理知识域之间的语义和层次结构，因此出现了许多挑战。这项工作旨在提前建立一个国家感知的教育推荐系统，该制度包括知识主题之间的语义相关性，在语义相关主题中传播潜在信息。我们介绍了一种新的学习模型，可以利用Wikipedia链接图来利用知识组件之间的这种语义相关性，旨在更好地预测终身学习情景中的学习者参与和潜在知识。从这个意义上讲，语义Truelearn在利用贝叶斯机器学习时建立了一种人类直观的知识表示，以提高教育参与的预测性能。我们的大型数据集的实验表明，这种新的Truelearn算法的语义版本在预测性能方面实现了统计上显着的改进，简单的扩展为模型增加了语义意识。
translated by 谷歌翻译
据说教育中的人工智能（AI）有可能建立更多个性化的课程，以及全世界的民主化教育，并创造一个新的教学和学习方式。数百万学生已经开始受益于这些技术的使用，但世界各地的数百万不是。如果这一趋势持续，教育中的第一次交付可能会更大的教育不平等，以及目前的技术决定论叙事的全球教育资源的误操作。在本文中，我们专注于在教育中的AI未来造成猜测和构成问题，目的是开始按压对话，这些谈话将为技术渗透到技术的新一代教育方面。本文首先综合AI如何改变我们学习和教导的方式，专注于个性化学习伴侣的情况，然后举动讨论一些社会技术特征，这对于避免全球这些AI系统的危险至关重要（和也许确保他们的成功）。本文还讨论了使用自由，参与式和民主资源，如维基百科，开放教育资源和开源工具的潜力。我们还强调需要集体设计以人以人为本，透明，互动和协作的AI授权，并为利益攸关方提供完整的机构，以及支持新的新兴教育。最后，我们询问这一教育革命为自由主义和赋予教育权力，超出任何政治，文化，语言，地理和学习能力障碍而需要什么。
translated by 谷歌翻译
围绕着美国的空气是所有生命形式的主要呼吸来源。因此，毫无疑问地强调，均衡的空气质量对所有生物，环境稳定性甚至经济均衡的呼吸健康至关重要。尽管如此，由于汽车和行业进入大气中的污染排放的持续增长，在过去几十年中，在过去几十年中逐渐逐渐劣化。尽管许多人几乎没有承认问题的深度，但是通过促进技术驱动的倡议及时检测和预测，努力将肯定的缔约方（包括世界卫生组织）的持续努力始终如一地推动了一个定性更好的全球空气稳态的界限。区域和全球范围内的空气质量。然而，现有的空气质量监测框架缺乏实时响应能力和灵活的语义分布能力。在本文中，提出了一种新颖的事情互联网，其易于实现，语义分配和由机器学习模型赋予。该建议的系统配备了通过公共空气质量传感器网络获取的加工，可视化和存储主传感器数据的虹彩仪表板，以及仪表板与机器学习模型集成，以获得时间和地理空间空气质量预测。 ESP8266 Nodemcu通过消息排队遥测传输代理作为订户并入到虹红音仪表板中，通过开发的Web和移动应用将定量空气质量数据或警报电子邮件传达给最终用户。因此，拟议的系统可以通过未禁止的，数据驱动和语义框架赋予公众在空气质量方面的公众参与。
translated by 谷歌翻译
自然语言处理的进步（NLP）正在通过实际应用和学术利益的形式传播各个域。本质上，法律域包含大量数据以文本格式。因此，它需要将NLP应用于迎合对域的分析要求苛刻的需求。识别法律案例中的重要句子，事实和论点是法律专业人员这么繁琐的任务。在本研究中，我们探讨了句子嵌入的使用，以确定法律案件中的重要句子，在案件中的主要缔约方的角度。此外，定义了特定于任务的丢失功能，以提高通过分类交叉熵损失的直接使用限制的准确性。
translated by 谷歌翻译
感知，规划，估算和控制的当代方法允许机器人在不确定，非结构化环境中的远程代理中稳健运行。此进度现在创造了机器人不仅在隔离，而且在我们的复杂环境中运行的机器人。意识到这个机会需要一种高效且灵活的媒介，人类可以与协作机器人沟通。自然语言提供了一种这样的媒体，通过对自然语言理解的统计方法的重大进展，现在能够解释各种自由形式命令。然而，大多数当代方法需要机器人环境的详细，现有的空间语义地图，这些环境模拟了话语可能引用的可能引用的空间。因此，当机器人部署在新的，先前未知或部分观察到的环境中时，这些方法发生故障，特别是当环境的心理模型在人类运营商和机器人之间不同时。本文提供了一种新的学习框架的全面描述，允许现场和服务机器人解释并正确执行先验未知，非结构化环境中的自然语言指令。对于我们的方法而不是我们的语言作为“传感器” - 在话语中隐含的“传感器” - 推断的空间，拓扑和语义信息，然后利用这些信息来学习在潜在环境模型上的分布。我们将此分布纳入概率，语言接地模型中，并在机器人的动作空间的象征性表示中推断出分布。我们使用模仿学习来确定对环境和行为分布的原因的信仰空间政策。我们通过各种导航和移动操纵实验评估我们的框架。
translated by 谷歌翻译