现代技术的开发和应用是对自然栖息地和景观中物种有效监测的重要基础，以追踪生态系统，物种社区和人群的发展，并分析变化的原因。为了使用诸如摄像头距离采样等方法估算动物丰度，根据3D（三维）测量的自然栖息地的空间信息至关重要。此外，3D信息可提高使用摄像头捕获的动物检测的准确性。这项研究为3D摄像头捕获提供了一种新颖的方法，该方法具有高度优化的硬件和软件。这种方法采用立体声愿景来推断自然栖息地的3D信息，并被指定为监测生物多样性（Socrates）的立体相机陷阱。对苏格拉底的全面评估不仅显示了$ 3.23 \％$的改善动物检测（边界盒$ \ text {map} _ {75} $），而且还可以使用相机陷阱距离采样来估算动物丰度。苏格拉底的软件和文档可在https://github.com/timmh/socrates上提供
translated by 谷歌翻译
财产数据的可用性是化学过程开发中的主要瓶颈之一，通常需要耗时且昂贵的实验或将设计空间限制为少数已知分子。这种瓶颈一直是预测性财产模型持续发展的动机。对于新分子的性质预测，群体贡献方法一直在开创性。最近，机器学习加入了更具成熟的财产预测模型。但是，即使取得了最近的成功，将物理约束集成到机器学习模型中仍然具有挑战性。物理约束对于许多热力学特性，例如吉布斯 - 杜纳姆（Gibbs-Dunham）关系至关重要，它将额外的复杂性层引入预测中。在这里，我们介绍了SPT-NRTL，这是一种机器学习模型，以预测热力学一致的活动系数并提供NRTL参数，以便于过程模拟。结果表明，SPT-NRTL在所有官能团的活性系数预测中的精度高于UNIFAC，并且能够以几乎实验的精度预测许多蒸气 - 液位均衡性，如示例性混合物所示。 N-己烷。为了简化SPT-NRTL的应用，用SPT-NRTL计算了100 000 000的NRTL参数，并在线提供。
translated by 谷歌翻译
已经提出了几个持续学习技术的家庭，以减轻非静止数据深度神经网络训练的灾难性干扰。但是，由于合适数据集的可接触是可接近的，全面的比较和分析仍然很大程度上是开放的。实证检查不仅在个体作品之间变化而变化，它进一步依赖于通过各种普遍的静态视觉数据集的细分和连接来实现基准的成分。在这项工作中，我们的目标是通过引入计算机图形仿真框架来弥合这一差距，这在无尽的实时程序世界生成过程中重复越来越多的城市场景碎片。其核心在于具有适应性生成因子的模块化参数生成模型。后者可用于灵活地构图数据流，这显着促进了详细的分析，并允许轻松调查各种连续学习计划。
translated by 谷歌翻译