许多灾后和冲突地区没有足够的关于运输基础设施资产的数据,阻碍了移动性和重建。特别是,随着老化和劣化桥的数量增加,有必要量化它们的负载特性以便进行维护并防止故障。承载能力和设计负荷被认为是任何土木结构的主要方面。当挑战性问题缺乏专业知识时,人道考虑可能代价高昂且速度慢。在本文中,我们建议采用深度学习作为方法来估算人群来源图像的承载能力。新的卷积神经网络架构受到来自6000多个桥梁的数据的培训,这将有益于未来的研究和应用。我们处理数据集中的显着变化(例如,类间隔,图像完成,图像颜色)并量化它们对预测准确度,精度,召回和F1分数的影响。最后,通过将多类分类转换为二元分类来实现实际优化,以实现有前景的使用性能。
translated by 谷歌翻译
在新兴的纳米物联网(IoNT)中,信息将通过复杂和扩散的媒体以分子的形式嵌入和传播。一个主要的挑战在于信道响应的长尾性质导致符号间干扰(ISI),这会降低检测性能。如果信道未知,我们不能轻易实现传统的相干信道估计和消除,并且ISI的影响将是在本文中,我们开发了一种用于分子信号盲检测的新型高维非相干方案。我们通过组合利用信号的瞬态特征的不同非相干度量,在更高维度的空间中实现这一点。通过推导任何构造的高维非相干度量的理论误码率(BER),我们证明了更高的维数总是在相同的样本空间中实现更低的BER。然后,我们设计了一个利用了Thearzen的广义盲检测算法。近似及其概率神经网络(Parzen-PNN)检测信息比特。利用其快速收敛和并行实现的优点,我们提出的方案可以满足检测精度和实时计算的需要。数值模拟表明,与其他最先进的方法相比,我们提出的方案可以获得10dB的BER。
translated by 谷歌翻译
在本文中,我们考虑利用部分重叠信道(POC)的网状结构无人机(UAV)网络。对于无人机网络中的基因标记收集任务,我们的目标是通过限制传输功率和服务质量(QoS)来优化网络吞吐量。就高度移动和不断变化的无人机网络而言,不幸的是,大多数现有方法依赖于确定对动态环境易受攻击的信息,使系统性能降低。为了对抗UAVnetworks的动态拓扑和变化干扰,提出了一种鲁棒的分布式学习方案。我们引入不确定性来表征无人机节点之间的动态信道增益,然后用模糊数解释,而不是完美的信道状态信息(CSI)。我们在映射模糊空间中实现学习和决策过程,而不是传统观察空间,其中信道容量是一个明确的奖励。这允许系统通过在备用空间中进行优化来实现更加平稳和更强大的性能。为此,我们设计了一个模糊支付函数(FPF)来描述波动的可能性,POCs分配的问题被公式化为模糊支付游戏(FPG)。在模糊双矩阵博弈的有吸引力的辅助下,证明了模糊纳什均衡(FNE)在我们制定的FPG中的存在性。我们的鲁棒模糊学习算法可以通过偏差法达到均衡解。最后,提供数值模拟以证明我们的新方案优于现有方案的优点。
translated by 谷歌翻译
检测异常并发现驾驶信号是科学研究和工业实践的重要组成部分。通常,潜在的机制非常复杂,涉及隐藏的演化非线性动力学和噪声污染。当代表性物理模型和大型标记数据集不可用时,与大多数实际应用程序一样,依赖于模型的贝叶斯方法会产生误导性结果,并且大多数监督学习机器也无法可靠地解决复杂的演化系统。在这里,我们提出了一种无监督的机器学习方法,它在一个结构良好的函数空间中运行,通过由考夫曼算子确定的线性函数表示来捕获非线性动力学。这一突破利用了时间特征嵌入和随后重建动态的相空间表示,从而允许从整个轨迹中可靠地识别关键全局特征。这大大改善了常用的静态局部特征,这些特征是脆弱的过渡或噪声。由于其数据驱动的性质,我们的方法包括任何先前的模型和训练语料库。我们将我们方法的惊人准确性与生物学,医学和工程学中的三个不同且具有挑战性的问题进行对比。在所有情况下,它都优于现有的最先进的方法。作为一种新的无监督信息处理范例,它适用于普遍存在的非线性动力系统,这些系统只有很少的专业知识,可以无偏见地挖掘工作原理,或者在未标记的数据流中淹没的内在相关性。
translated by 谷歌翻译
Multi-view Multi-instance Multi-label Learning(M3L) deals with complex objects encompassing diverse instances, represented with different feature views, and annotated with multiple labels. Existing M3L solutions only partially explore the inter or intra relations between objects (or bags), instances, and labels, which can convey important contextual information for M3L. As such, they may have a compromised performance. In this paper, we propose a collaborative matrix factorization based solution called M3Lcmf. M3Lcmf first uses a heterogeneous network composed of nodes of bags, instances, and labels, to encode different types of relations via multiple rela-tional data matrices. To preserve the intrinsic structure of the data matrices, M3Lcmf collaboratively factorizes them into low-rank matrices, explores the latent relationships between bags, instances, and labels, and selectively merges the data matrices. An aggregation scheme is further introduced to aggregate the instance-level labels into bag-level and to guide the factorization. An empirical study on benchmark datasets show that M3Lcmf outperforms other related competitive solutions both in the instance-level and bag-level prediction.
translated by 谷歌翻译
物体检测作为计算机视觉中最基本和最具挑战性的问题之一,近年来受到了极大的关注。它在过去二十年的发展可以被视为计算机视觉历史的缩影。如果我们将今天的物体探测视为深度学习的力量下的技术美学,那么将时钟倒退20年我们就会见证冷武器时代的智慧。本文根据其技术演变,跨越四分之一世纪的时间(从20世纪90年代到2019年),广泛回顾了400多篇关于物体检测的论文。本文讨论了许多主题,包括历史里程碑检测器,检测数据集,度量,检测系统的基本构建模块,加速技术以及最新的检测方法。本文还回顾了一些重要的检测方法。应用程序,如行人检测,人脸检测,文本检测等,近年来对其挑战和技术改进进行了深入分析。
translated by 谷歌翻译
我们研究了知识图(KG)嵌入的问题。对此问题的广泛认可是类似实体可能具有类似的关系角色。然而,现有的相关方法导出KG嵌入主要基于三级学习,其缺乏捕获实体的长期关系依赖性的能力。此外,三级学习不足以在实体之间传播语义信息,特别是对于跨KG嵌入的情况。在本文中,我们提出了当前的跳过网络(RSN),它采用跳过机制来填补实体之间的空白。 RSN将循环神经网络(RNN)与残留学习相结合,以有效地捕获KG内部和之间的长期关系依赖性。我们设计了一个端到端框架,以支持不同任务的RSN。我们的实验结果表明,RSN优于最先进的基于嵌入的实体对齐方法,并实现了KG完成的竞争性能。
translated by 谷歌翻译
受益于计算机视觉,自然语言处理和信息检索技术的进步,旨在回答关于图像或视频的问题的视觉问答(VQA)在过去几年中受到了很多关注。虽然到目前为止已经取得了一些进展,但是一些研究已经指出当前的VQA模型受到\ emph {语言先验问题}的严重影响,这意味着它们倾向于根据问题关键词的共现模式提出问题(例如,有多少) )和答案(例如,2)而不是理解图像和问题。现有方法试图通过平衡偏置数据集或强制模型更好地理解图像来解决该问题。然而,对于第一和第二解决方案,分别仅观察到边际效应甚至性能劣化。此外,另一个重要问题是缺乏测量来定量测量语言效应的程度,这严重阻碍了相关技术的进步。在本文中,我们从两个方面为解决上述问题做出了贡献。首先,我们设计了一个度量标准来定量测量VQA模型的语言先验效应。已经证明建议的度量标准在我们的实证研究中是有效的。其次,我们提出了一种正则化方法(即得分正则化模块),通过降低语言先验问题以及提升骨干模型性能来增强当前的VQA模型。所提出的得分正则化模块采用成对学习策略,这使得VQA模型基于图像的推理(在此问题上)回答问题,而不是基于在偏见训练集中观察到的问题 - 答案模式。 scoreregularization模块可灵活地集成到各种VQA模型中。
translated by 谷歌翻译
由于以下原因,设计和运行卷积神经网络(CNN)并不容易:1)在给定架构的情况下,找到每层的最佳滤波器数量(即宽度)。 2)CNN的计算强度阻碍了在计算有限的设备上的部署。 Oracle Pruning设计用于从训练有素的CNN中删除不重要的滤波器,通过依次消融它们并评估模型来估计滤波器的重要性,从而提供高精度但遭受无法忍受的时间复杂性,并且需要给定的结果宽度但不能自动查找。为了解决这些问题,我们提出了近似Oracle过滤器修剪(AOFP),它以二进制搜索方式继续搜索最不重要的过滤器,通过随机屏蔽过滤器,累积产生的错误以及通过多个模型对模型进行微调来进行修剪尝试。 pathframework。由于AOFP能够在多个层上同时进行修剪,因此我们能够以可接受的时间成本,可忽略的准确性,无启发性知识,或重新设计能够实现高精度和更快推理的模型来获得现有的非常深的CNN。
translated by 谷歌翻译
跨模式散列因其低模型数据检索的低存储成本和快速查询速度而受到越来越多的关注。然而,mostexisting散列方法是基于对象的手工制作或原始级别特征,这些特征可能与编码过程不是最佳兼容。此外,这些散列方法主要用于处理简单的双重相似性。与多个标签相关联的实例的复杂多级排序语义结构尚未得到很好的探索。在本文中,我们提出了一种基于排序的深度跨模态哈希方法(RDCMH)。 RDCM首先使用数据的特征和标签信息来导出asemi监督的语义排序列表。接下来,为了扩展手工制作特征的语义表示能力,RDCMH将语义分析信息集成到深度跨模态散列中,并联合优化深度特征表示和散列函数的兼容参数。实际多模态数据集的实验表明,RDCMH优于其他竞争对手基线并实现最先进的性能跨模式检索应用程序。
translated by 谷歌翻译