深度学习是具有自动驾驶汽车和智能交通基础设施的合作智能运输系统（C-ITS）的环境感知功能的关键方法。在当今的C-IT中，智能流量参与者能够及时生成和传输大量数据。但是，由于隐私限制，这些数据不能直接用于模型培训。在本文中，我们介绍了一个联合学习框架应对等级异质性（H2-FED），该框架可以显着增强常规的预训练的深度学习模型。该框架利用车辆网络中连接的公共交通代理的数据，而不会影响用户数据隐私。通过协调包括路边单元和道路交通云在内的现有交通基础设施，该模型参数可有效地通过车辆通信和层次汇总进行分发。考虑到交通代理和路边单元之间数据分布，计算和通信功能的个人异质性，我们采用一种新方法来解决框架体系结构不同聚合层的异质性，即路边单元和云的集合。实验结果表明，根据当前通信网络中异质性的知识，我们的方法可以很好地平衡学习准确性和稳定性。与其他基线方法相比，联合数据集的评估表明，我们的框架更具通用性和功能，尤其是在沟通质量低的应用程序方案中。即使90％的代理人及时断开连接，预先训练的深度学习模型仍然可以稳定融合，并且收敛后其准确性可以从68％提高到90％以上。
translated by 谷歌翻译
自主车辆的环境感知受其物理传感器范围和算法性能的限制，以及通过降低其对正在进行的交通状况的理解的闭塞。这不仅构成了对安全和限制驾驶速度的重大威胁，而且它也可能导致不方便的动作。智能基础设施系统可以帮助缓解这些问题。智能基础设施系统可以通过在当前交通情况的数字模型的形式提供关于其周围环境的额外详细信息，填补了车辆的感知中的差距并扩展了其视野。数字双胞胎。然而，这种系统的详细描述和工作原型表明其可行性稀缺。在本文中，我们提出了一种硬件和软件架构，可实现这样一个可靠的智能基础架构系统。我们在现实世界中实施了该系统，并展示了它能够创建一个准确的延伸高速公路延伸的数字双胞胎，从而提高了自主车辆超越其车载传感器的极限的感知。此外，我们通过使用空中图像和地球观测方法来评估数字双胞胎的准确性和可靠性，用于产生地面真理数据。
translated by 谷歌翻译
语音触发检测是一项重要的任务，它可以在目标用户说关键字短语时激活语音助手。通常对探测器进行语音数据培训，独立于说话者信息，并用于语音触发检测任务。但是，这样的说话者独立语音触发探测器通常会遭受绩效降低，因为代表性不足的群体，例如重音说话者。在这项工作中，我们提出了一个新颖的语音触发探测器，该触发探测器可以使用目标扬声器中的少量话语来提高检测准确性。我们提出的模型采用编码器架构。尽管编码器执行扬声器独立语音触发检测，但类似于传统检测器，解码器预测了每种话语的个性化嵌入。然后，获得个性化的语音触发分数作为在注册话语的嵌入与测试话语之间的相似性得分。个性化的嵌入允许在计算语音触发评分时适应目标扬声器的语音，从而提高语音触发检测精度。实验结果表明，与基线扬声器独立语音触发模型相比，所提出的方法相对降低（FRR）的相对降低38％。
translated by 谷歌翻译