Hypernym发现是找到与给定术语具有关系的术语的问题。我们引入了一种新的上下文类型,以及用于区分上位词与其他类型的语义关系的相关性度量。我们的文档结构度量基于文档中术语的层次位置,以及它们在定义文本中的存在或其他。此度量使用多个属性和加权距离函数的类来量化文档结构。
translated by 谷歌翻译
蛔虫C. elegans表现出强烈的逃逸行为,以响应迅速升高的温度。行为持续几秒钟,显示历史依赖性,涉及感觉和运动系统,并且使用当前可用的知识机械地进行过于复杂的模型化。相反,我们在现象学上对过程进行建模,并且我们使用Sir Isaac动态推理平台以完全自动化的方式直接从实验数据推断模型。推断的模型需要结合未观察到的动态变量,并且在生物学上是可解释的。该模型对蠕虫行为的动态进行了准确的预测,可以用来描述逃逸响应背后的动力系统的功能逻辑。这项工作说明了现代人工智能在发现复杂自然系统的准确和可解释模型方面的力量。
translated by 谷歌翻译
我们研究了在$ T $是Toeplitz的假设下估计adistribution $ \ mathcal {D} $超过$ d $ -dimensional向量的协方差矩阵$ T $的查询复杂度。这种假设出现在许多信号处理问题中,其中任何两个测量之间的协方差仅取决于那些测量之间的时间或距离。我们对估计策略感兴趣,这些估计策略可能选择仅查看每个矢量样本$ x ^ {(\ ell)} \ sim \ mathcal {D} $中的条目子集,这通常等同于减少无线信号处理应用中的硬件和通信要求高级成像。我们的目标是最小化1)从$ \ mathcal {D} $中抽取的矢量样本数量和2)每个样本中访问的条目数量。我们提供了一些关于利用$ T $的Toeplitz结构的这些样本复杂性度量的第一个非渐近边界,并且通过这样做,显着改进了通用协方差矩阵的结果。我们的界限来自对经典和广泛使用的估计算法(以及一些新变体)的分析,包括基于根据所谓的稀疏标尺从每个矢量样本中选择条目的方法。在许多情况下,我们将上层边界与匹配或几乎匹配的下边界配对。除了适用于任何Toeplitz $ T $的结果之外,我们进一步研究了当$ T $接近低等级时的重要设置,这通常是实践中的情况。我们表明,基于稀疏标尺的方法在这个设置中表现得更好,样本复杂度在$ d $中线性地缩放。受此发现的推动,我们开发了一种新的协方差估计策略,该策略进一步改进了低秩情况下的所有现有方法:当$ T $排名为$ k $ ornearly rank- $ k $时,它实现了样本复杂度,取决于$ k的多项式$并且仅以$ d $对数。
translated by 谷歌翻译
许多材料具有不同的光谱轮廓。这有助于通过首先获取其高光谱图像来估计每个像素处的场景的材料成分,并且随后使用一组光谱图像对其进行滤波。这个过程本质上是浪费的,因为只有一组采集的测量的线性投影有助于分类任务。我们提出了一种新颖的可编程相机,它能够用任意光谱滤波器产生上升图像。我们使用这款相机对场景的高光谱图像的光谱滤波进行光学滤波,以及执行每像素材料分类所需的光谱轮廓库。这在采集速度方面提供了增益 - 因为只获得了相关的测量值 - 以及在信噪比方面---因为我们总是避免使用效率低的窄带滤波器。 Giventraining数据,我们使用一系列经典和现代技术,包括SVM和神经网络,以确定促进材料分类的光谱剖面库。我们使用相机的实验室原型在标准数据集的模拟中验证方法以及实际数据。
translated by 谷歌翻译
基于深度的人体活动分析研究取得了突出的成绩,并证明了3D表示在行动识别中的有效性。现有的基于深度和基于RGB + D的动作识别基准具有许多局限性,包括缺乏大规模训练样本,不同类别的实际数量,多样化的内部视图,不同的环境条件以及各种人类主体。在这项工作中,我们引入了一个用于RGB + D人类行为识别的大规模数据集,该数据集来自106个不同的主题,包含超过114,000个视频样本和800万帧。该数据集包含120种不同的动作类,包括日常,相互和健康相关的活动。我们评估了该数据集上一系列现有3D活动分析方法的性能,并展示了将deeplearning方法应用于基于3D的人类行为识别的优势。此外,我们在数据集上研究了一种新的一次性三维活动识别问题,并为此任务提出了一种简单而有效的动作部分语义相关性(APSR)框架,为新型动作类的识别提供了有希望的结果。我们相信,引入这个大规模数据集将使社区能够应用,调整和开发各种渴望数据的学习技术,以实现基于深度和基于RGB + D的人类活动理解。 [数据集可在以下网址获得:http://rose1.ntu.edu.sg/Datasets/actionRecognition.asp]
translated by 谷歌翻译
本文针对具有静态障碍的约束工作空间中的多个水下航行器操纵系统(UVMS)进行协同物体运输的问题,其中协调仅依赖于机器人与普通抓取物体的物理相互作用引起的隐性通信。我们提出了一种新颖的分布式领导者 - 跟随式结构,其中领先的UVMS,其具有对象的期望轨迹的知识,试图通过阻抗控制定律实现期望的跟踪行为,以这种方式导航,朝向目标配置的整体形成,同时避免碰撞有障碍。另一方面,以下UVMS通过新规定的性能估计法则估计物体的期望轨迹,并实施类似的阻抗控制定律。反馈依赖于每个UVMS的力/扭矩测量,并且没有明确的数据在机器人之间在线交换。此外,控制方案根据其特定的有效负载能力采用UVMS之间的负载分配。最后,各种模拟研究阐明了所提出的方法并验证了其效率。
translated by 谷歌翻译
信息融合是众多工程系统和生物功能的重要组成部分,例如人类认知。融合发生在许多层面,从信号的低级组合到异构决策过程的高级聚合。虽然过去十年见证了深度学习研究的爆发,但神经网络融合并没有观察到同样的革命。具体而言,大多数神经融合方法是特定的,不被理解,分布与局部,和/解释性低(如果存在的话)。在此,我们证明了模糊Choquet积分(ChI),一种强大的非线性聚合函数,可以表示为多层网络,以下称为ChIMP。我们还提出了一种改进的ChIMP(iChIMP),它根据ChI不等式约束的指数数量导致基于随机梯度下降的优化。 ChIMP / iChIMP的另一个好处是它可以实现可解释的AI(XAI)。提供了综合验证实验,并将iChIMP应用于远程感知中的一组异构架构深度模型的融合。我们展示了模型精度的提高,我们之前建立的XAI指数揭示了我们的数据,模型及其决策的质量。
translated by 谷歌翻译
本文通过使用生成网络(SPLINE-Net)的LightingInterpolation和Normal Estimation来解决稀疏光度立体声.SPLINE-Net包含一个光照插值网络,在稀疏的光线作为输入的情况下生成密集的照明观测,然后是一个估算表面的normalestimation网络法线。两个网络由所提出的对称和非对称损失函数共同约束,以强制执行各向异性约束并执行对全局照明效果的异常拒绝。通过仅使用10个不同光源的图像而不是使用近100个图像,SPLINE-Net被验证为优于现有BRDF光度计的现有方法。
translated by 谷歌翻译
效率对于在线推荐系统至关重要。将用户和项目表示为协同过滤(CF)的二进制向量可以在汉明空间中实现快速用户项目亲和度计算,近年来,我们已经尝试了利用CF方法的二进制散列技术的新兴研究工作。然而,具有二进制代码的CF由于每个位中的有限表示能力而自然地遭受低准确性,这阻碍了它对数据的复杂结构进行建模。在这项工作中,我们尝试通过利用实值向量的准确性和二进制代码表示用户/项目的效率来提高效率而不损害模型性能。特别地,我们提出了用于协同过滤的组合编码(CCCF)框架,其不仅获得比现有技术的CF方法更好的推荐效率,而且实现了比具有有价值的CF方法更高的精度。具体而言,CCCF创新地用一组二进制向量表示每个用户/项目,二进制向量与稀疏实际值权重向量相关联。权重向量的每个值将对应的二进制向量的重要性编码到用户/项目。连续权重向量极大地增强了二进制代码的表示能力,其稀疏性保证了处理速度。此外,提出了一种整数近似方案以进一步加快速度。基于CCCF框架,我们设计了一种有效的离散优化算法来学习其参数。在三个真实世界数据集上的广泛实验表明,我们的方法在推荐精度和效率方面都优于最先进的二值化CF方法(甚至实现了比实值CF方法更好的性能)。
translated by 谷歌翻译
数据分类存在于不同的实际问题中,例如识别图像中的图案,区分生产线中的缺陷部分,对良性和恶性肿瘤进行分类等。这些问题中的许多都具有难以识别的数据模式,这需要更先进的分辨技术。最近,已经应用了几种针对不同人工神经网络架构的工作来解决分类问题。当分类问题必须通过图像获得时,目前,标准方法是使用卷积神经网络。因此,在本报告中,卷积神经网络被用来对鱼类进行分类。 Classifica \ c {c} \〜ao de dados est \'a presente em diversos problemas reais,tais como:reconhecer padr \〜oes em imagens,diferenciar pe \ c {c} as defeituosasem uma linha de produ \ c {c} \〜ao,classificar tumores benignos e malignos,dentrediversas outras。 Muitos认为问题可能是错误的问题,他们可能会发现问题,但是他们会在这里找到问题,他们会在这里找到自己的想法。 Recentemente,diversos trabalhosabordando diferentes arquiteturas de redes neurais artificiais v \ ^ em sendoaplicados para solucionar problemas de classifica \ c {c} \ ~ao。 Quando aclassifica \ c {c} \〜ao do problema deve ser obtida por meio de imagens,atualmentea metodologia padr \〜ao \'e udes de redes neurais convolucionais。 Sendo assim,neste trabalho s \〜ao utilizadas redes neurais convolucionais paraclassifica \ c {c} \ ~ao de esp \'ecies de peixes。
translated by 谷歌翻译