结构建筑物的坍塌通常被认为是潜在的错失，已经证明了建筑物的损害，导致事故。必须连续监测人类访问受到限制的故障的任何建筑物。通过在计算机视野领域出现的无人机（无人驾驶飞行器），监测任何建筑物并检测这些故障都被视为一种可能性。本文提出了一种新的方法，其中自动无人机遍历目标建筑物，检测建筑物中的任何潜在故障，并定位故障。通过所提供的建筑物的尺寸，产生了建筑物周围的路径。由UAV的板载摄像机捕获的图像通过神经网络系统来确认存在故障。一旦检测到故障，UAV就会向检测到裂缝的相应位置时操纵。使用ROS（机器人操作系统）使用初始化ROS包装器的AIRSIM环境进行仿真，并提供ROS和AIRSIM的集成接口，与UAV一起模拟。
translated by 谷歌翻译
联合学习（FL）是一种机器学习范式，本地节点在培训数据保持分散时进行了协作训练中心模型。现有的FL方法通常共享模型参数或采用共同依据来解决不平衡数据分布的问题。但是，他们患有沟通瓶颈。更重要的是，他们有隐私泄漏的风险。在这项工作中，我们在FL框架中开发了一种隐私和沟通高效方法，并使用未标记的跨域公共数据进行单次离线知识蒸馏。我们提出了一个量化的和嘈杂的本地预测合奏，从经过全面训练的本地模型中，以确保更强的隐私保证而无需牺牲准确性。基于有关图像分类和文本分类任务的广泛实验，我们表明，我们的隐私方法优于基线FL算法，其精度和沟通效率都具有出色的性能。
translated by 谷歌翻译
全面监督的人类网格恢复方法是渴望数据的，由于3D规定基准数据集的可用性有限和多样性，因此具有较差的概括性。使用合成数据驱动的训练范例，已经从合成配对的2D表示（例如2D关键点和分段掩码）和3D网格中训练了模型的最新进展，其中已使用合成数据驱动的训练范例和3D网格进行了训练。但是，由于合成训练数据和实际测试数据之间的域间隙很难解决2D密集表示，因此很少探索合成密集的对应图（即IUV）。为了减轻IUV上的这个领域差距，我们提出了使用可靠但稀疏表示的互补信息（2D关键点）提出的交叉代理对齐。具体而言，初始网格估计和两个2D表示之间的比对误差将转发为回归器，并在以下网格回归中动态校正。这种适应性的交叉代理对准明确地从偏差和捕获互补信息中学习：从稀疏的表示和浓郁的浓度中的稳健性。我们对多个标准基准数据集进行了广泛的实验，并展示了竞争结果，帮助减少在人类网格估计中生产最新模型所需的注释工作。
translated by 谷歌翻译
基于点击的交互式图像分割的目的是获得用户交互有限的精确对象分割掩码，即通过最少数量的用户点击。现有方法要求用户提供所有点击：首先检查分割掩码，然后在迭代区域上提供标记区域错误的点。我们提出一个问题：我们的模型可以直接预测在哪里单击，以进一步降低用户交互成本？为此，我们提出{\ pseudoclick}，这是一个通用框架，使现有的分割网络能够提出下一步点击。这些自动生成的点击，称为伪单击，这是模仿人类点击的模仿，以完善细分面膜。
translated by 谷歌翻译
我们考虑临床应用异常定位问题。虽然深入学习推动了最近的医学成像进展，但许多临床挑战都没有完全解决，限制了其更广泛的使用。虽然最近的方法报告了高的诊断准确性，但医生因普遍缺乏算法决策和解释性而涉及诊断决策的这些算法，这是关注这些算法。解决这个问题的一种潜在方法是进一步培训这些模型，以便除了分类它们之外，除了分类。然而，准确地进行这一临床专家需要大量的疾病定位注释，这是对大多数应用程序来实现昂贵的任务。在这项工作中，我们通过一种新的注意力弱监督算法来解决这些问题，该弱势监督算法包括分层关注挖掘框架，可以以整体方式统一激活和基于梯度的视觉关注。我们的关键算法创新包括明确序号注意约束的设计，实现了以弱监督的方式实现了原则的模型培训，同时还通过本地化线索促进了产生视觉关注驱动的模型解释。在两个大型胸部X射线数据集（NIH Chescx-Ray14和Chexpert）上，我们展示了对现有技术的显着本地化性能，同时也实现了竞争的分类性能。我们的代码可在https://github.com/oyxhust/ham上找到。
translated by 谷歌翻译
流行的导航堆栈在诸如ROS（机器人操作系统）和ROS2之类的开源框架之类的顶部使用离散的2D占用网格表示机器人工作区。这种方法，同时需要较少计算，限制使用这种导航堆叠在平面上导航的轮式机器人。在本文中，我们提出了一种导航堆栈，该堆栈使用机器人工作区的体积表示，因此可以扩展到通过不均匀地形导航的空中和腿机器人。此外，我们介绍了一种基于新的采样的运动规划算法，它引入了批量通知的树（Bit *）运动规划算法的双向方法，同时将其与策略切换方法包装以减少要查找的初始时间除了找到最短路径的时间之外，还有一条路径。
translated by 谷歌翻译
我们为多机器人系统应用程序提供了一个网络共模拟框架。我们需要一个模拟框架，该框架既捕获物理互动和通信方面，以有效地设计这种复杂的系统。这对于共同设计多机器人的自主逻辑和通信协议是必不可少的。提出的框架扩展了现有工具，以模拟机器人的自主权和与网络相关的方面。我们已经使用ROS/ROS2的凉亭来开发机器人和Mininet-WIFI作为网络模拟器的自治逻辑，以捕获多机器人系统的网络物理系统属性。该框架解决了通过同步移动性和时间来无缝集成两个仿真环境的需求，从而使算法轻松迁移到真实的平台。该框架支持基于容器的虚拟化，并通过解耦数据平面和控制平面来扩展通用机器人框架。
translated by 谷歌翻译