由于其在分布式机器学习中的隐私保护，联邦学习引起了很多研究。然而，联合学习的现有工作主要侧重于卷积神经网络（CNN），其无法有效处理在许多应用中流行的图形数据。图表卷积网络（GCN）已被提出为图表学习最有前途的技术之一，但其联邦设置很少探索。在本文中，我们提出了在多个计算客户端之间的联合图学习的FedRogk，每个Chouble Graph学习，其中每个计算包括子图。 Fed FredGraph通过解决两个独特的挑战来提供强大的图形学习能力。首先，传统的GCN培训需要客户之间的数据共享，导致隐私泄漏的风险。 Fed FedGraph使用新的跨客户端卷积操作来解决此问题。第二个挑战是高GCN训练开销，由大图尺寸发生。我们提出了一种基于深度加强学习的智能图形采样算法，可以自动收敛到平衡训练速度和准确性的最佳采样策略。我们基于Pytorch实现FedFraph，并在测试平台上部署绩效评估。四个流行数据集的实验结果表明，Fed FedGraph通过使更高的准确性更快地融合来显着优于现有的工作。
translated by 谷歌翻译
Image Super-Resolution (SR) is essential for a wide range of computer vision and image processing tasks. Investigating infrared (IR) image (or thermal images) super-resolution is a continuing concern within the development of deep learning. This survey aims to provide a comprehensive perspective of IR image super-resolution, including its applications, hardware imaging system dilemmas, and taxonomy of image processing methodologies. In addition, the datasets and evaluation metrics in IR image super-resolution tasks are also discussed. Furthermore, the deficiencies in current technologies and possible promising directions for the community to explore are highlighted. To cope with the rapid development in this field, we intend to regularly update the relevant excellent work at \url{https://github.com/yongsongH/Infrared_Image_SR_Survey
translated by 谷歌翻译
域适应性（DA）旨在转移标记良好的源域的知识，以促进未标记的目标学习。当转向特定的任务，例如室内（Wi-Fi）本地化时，必须学习跨域回归剂以减轻域移位。本文提出了一种新颖的方法对抗性双向反应器网络（ABRNET），以寻求更有效的跨域回归模型。具体而言，开发了差异的双向试剂架构，以最大化双向试验的差异，以发现远离源分布的不确定目标实例，然后在特征提取器和双回归器之间采用了对抗性训练机制，以产生域内不变的表示。为了进一步弥合大域间隙，设计了一个特定域的增强模块，旨在合成两个源相似和类似的类似中间域，以逐渐消除原始域的不匹配。对两个跨域回归基准的实证研究说明了我们方法解决域自适应回归（DAR）问题的力量。
translated by 谷歌翻译
场景文本图像综合技术旨在自然构成背景场景上的文本实例，非常吸引训练深神经网络，因为它们可以提供准确而全面的注释信息。先前的研究探索了基于实际观察结果的规则，在二维和三维表面上生成了合成文本图像。其中一些研究提出了从学习中生成场景文本图像。但是，由于缺乏合适的培训数据集，已经探索了无监督的框架，以从现有的现实世界数据中学习，这可能不会导致强大的性能。为了缓解这一难题并促进基于学习的场景文本综合研究，我们建议使用公共基准准备的真实世界数据集，并具有三种注释：四边形级别的bbox，streoke-level文本掩码和文本屏蔽词图片。使用Depompst数据集，我们提出了一个图像合成引擎，其中包括文本位置建议网络（TLPNET）和文本外观适应网络（TAANET）。 TLPNET首先预测适合文本嵌入的区域。然后，taanet根据背景的上下文自适应地改变文本实例的几何形状和颜色。我们的全面实验验证了提出的方法为场景文本检测器生成预浏览数据的有效性。
translated by 谷歌翻译
地面运动预测方程通常用于预测地震强度分布。但是，将这种方法应用于受地下板结构影响的地震分布并不容易，这通常称为异常地震分布。这项研究提出了使用神经网络进行回归和分类方法的混合体。提出的模型将分布视为二维数据，如图像。我们的方法可以准确预测地震强度分布，甚至异常分布。
translated by 谷歌翻译
半eme被定义为人类语言的最低语义单元。半知识库（KBS）包含带有Sememes的单词的单词，已成功应用于许多NLP任务，我们相信，通过学习最小的含义单位，计算机可以更容易理解人类的语言。但是，现有的sememe kb仅基于手动注释，人类注释具有个人理解偏见，并且随着时间的流逝，词汇的含义将不断更新和改变，而人为的方法并不总是实用的。为了解决这个问题，我们提出了一种基于深群集网络（DCN）的无监督方法来构建半eme KB，您可以使用任何语言通过此方法来构建KB。我们首先学习多语言单词的分布式表示形式，使用缪斯在单个矢量空间中对齐它们，通过自我发项机制学习每个单词的多层含义，并使用DNC来群集半eme。最后，我们仅使用英语的10维半度空间完成了预测。我们发现，低维空间仍然可以保留SEMEMES的主要特征。
translated by 谷歌翻译
最近已将基于学习的THZ多层成像用于非接触式三维（3D）定位和编码。我们通过实验验证，展示了新兴量子机学习（QML）框架的概念验证演示，以应对深度变化，阴影效应和双面内容识别。
translated by 谷歌翻译
预计机器人将取代诸如家务之类的琐碎任务。其中一些任务包括执行的无毛线操作，而无需抓住对象。非忧虑的操作非常困难，因为它需要考虑环境和对象的动态。因此，模仿复杂行为需要大量的人类示范。在这项研究中，提出了一种自我监督的学习，该学习认为动态以实现可变速度进行非骚扰操作。所提出的方法仅收集自主操作期间获得的成功动作数据。通过微调成功的数据，机器人可以学习自身，环境和对象之间的动态。我们尝试使用对24个人类收集的培训数据训练的神经网络模型来挖掘和运输煎饼的任务。所提出的方法将成功率从40.2％提高到85.7％，并成功完成了其他物体的任务超过75％。
translated by 谷歌翻译
本文提出了一种新颖的互动计划方法，该方法仅使用触觉信息来利用阻抗调谐技术，以应对环境不确定性和不可预测的条件。拟议的算法根据与环境的触觉互动并根据需要调整计划策略的触觉计划。考虑了两种方法：探索和弹跳策略。勘探策略在计划中考虑了机器人的实际运动，而弹跳策略则利用了机器人的力量和运动向量。此外，根据计划的轨迹进行自我调整阻抗，以确保合规接触和低接触力。为了显示拟议方法论的性能，进行了两个具有扭矩控制器机器人臂的实验。第一个认为没有障碍的迷宫探索，而第二个包括障碍。在两种情况下，分析了提出的方法性能并与先前提出的解决方案进行比较。实验结果表明：i）机器人可以根据与环境的相互作用在最可行的方向上成功地计划其轨迹，ii）尽管达到了不确定性，但与未知环境的合规性相互作用。最后，进行了可伸缩性演示，以显示在多种情况下提出的方法的潜力。
translated by 谷歌翻译
本文提出了来自Covid-19患者CT体积的肺部感染区的分段方法。 Covid-19在全球范围内传播，造成许多受感染的患者和死亡。 CT图像的Covid-19诊断可以提供快速准确的诊断结果。肺中感染区的自动分割方法提供了诊断的定量标准。以前的方法采用整个2D图像或基于3D卷的过程。感染区域的尺寸具有相当大的变化。这种过程容易错过小型感染区域。基于补丁的过程对于分割小目标是有效的。然而，在感染区分割中选择适当的贴片尺寸难以。我们利用分段FCN的各种接受场大小之间的规模不确定性以获得感染区域。接收场尺寸可以定义为贴片尺寸和块从斑块的卷的分辨率。本文提出了一种执行基于补丁的分割的感染分段网络（ISNet）和尺度的不确定性感知预测聚合方法，其改进分割结果。我们设计ISNET到具有各种强度值的分段感染区域。 ISNet具有多个编码路径来处理由多个强度范围归一化的修补程序卷。我们收集具有各种接收场尺寸的ISNet产生的预测结果。预测聚合方法提取预测结果之间的规模不确定性。我们使用聚合FCN来在预测之间的规模不确定性来生成精确的分段结果。在我们的实验中，使用199例Covid-19案例，预测聚集方法将骰子相似度评分从47.6％提高到62.1％。
translated by 谷歌翻译