最近的工作取得了令人印象深刻的进展，从单眼颜色图像中联合重建手和操纵物体。现有的方法着重于两个替代表示，以参数网格或签名的距离字段（SDF）。一方面，参数模型可以以有限的形状变形和网格分辨率的成本从先验知识中受益。因此，网格模型可能无法精确地重建细节，例如手和物体的接触表面。另一方面，基于SDF的方法可以代表任意细节，但缺乏明确的先验。在这项工作中，我们旨在使用参数表示提供的PRIOR来改善SDF模型。特别是，我们提出了一个联合学习框架，该框架可以解散姿势和形状。我们从参数模型中获取手和对象摆姿势，并使用它们在3D空间中对齐SDF。我们表明，这种对齐的SDF可以更好地专注于重建形状细节，并提高手和物体的重建精度。我们评估了我们的方法，并在挑战性的OBMAN和DEXYCB基准方面证明了对最新技术的显着改善。
translated by 谷歌翻译
计算机视觉技术可以帮助自动化或部分自动化口面损伤的临床检查，以提供准确和客观的评估。为了开发此类自动化系统，我们评估了两种在口面评估视频中检测和时间分段（分析）重复的方法。从多伦多神经曲面数据集获得了患有肌萎缩性侧索硬化症（ALS）和健康对照（HC）个体的参与者的录制视频。检查了两种重复检测和解析方法：一种基于轨迹地标的工程特征和上嘴唇和下唇的朱红色 - 二连交界之间的距离（基线分析）的峰值检测（基线分析），另一种是使用预训练的变压器 - 基于repnet的基于深度学习模型（Dwibedi等，2020），该模型自动检测周期性，并在视频数据中解析周期性和半周期重复。在对两项口面评估任务的实验评估中 - 重复最大的口腔张开（打开）并重复“购买Bobby a Puppy”（BBP）（BBP） - repnet提供了比基于具有里程碑意义的方法更好的解析，并通过较高的平均相交量化的方法来量化。联合（IOU）关于地面真理手动解析。使用Repnet自动解析还根据BBP重复的持续时间清楚地分离了HC和ALS参与者，而基于里程碑的方法则不能。
translated by 谷歌翻译
随着深度学习模型逐渐成为时间序列预测的主要主力，因此，对抗性攻击下对预测和决策系统的潜在脆弱性已成为近年来的主要问题。尽管对单变量时间序列的预测开始研究这种行为和防御机制，但关于多变量预测的研究仍然很少，由于其在不同时间序列之间编码相关性的能力，通常是优选的。在这项工作中，我们考虑到攻击预算约束和多个时间序列之间的相关结构，研究和设计对多元概率预测模型的对抗性攻击。具体而言，我们研究了稀疏的间接攻击，该攻击仅通过攻击少数其他项目的历史来节省攻击成本，从而损害了项目（时间序列）的预测（时间序列）。为了打击这些攻击，我们还制定了两种防御策略。首先，我们采用随机平滑度到多元时间序列方案，并通过经验实验验证其有效性。其次，我们利用稀疏的攻击者来实现端到端的对抗训练，从而提供强大的概率预测者。对REAL数据集进行的广泛实验证实，与其他基线防御机制相比，我们的攻击方案具有强大的功能，并且我们的防御算法更有效。
translated by 谷歌翻译
新颖的智能环境，如智能家居，智能城市和智能交通，正在推动在边缘设备部署深神经网络（DNN）的兴趣越来越兴趣。不幸的是，在资源受限的边缘设备上部署DNN构成了巨大的挑战。如果模拟器可以与深度学习框架互动，它可以促进在边缘深度学习的研究。现有的仿真框架（如MATLAB，NS-3等）尚未扩展以支持边缘学习的模拟。为了支持边缘节点上的大规模培训模拟，我们提出了一种基于离散的Edge学习模拟器。它包括深度学习模块和网络仿真模块。具体而言，它使模拟作为深度学习的环境。我们的框架是通用的，可以在部署深度学习模型之前在各种深度学习问题中使用。在本文中，我们提供了基于离散的学习模拟器的设计和实现细节，并呈现了所提出的模拟器的说明性用例。
translated by 谷歌翻译
我们考虑非静止在线凸优化的框架，其中学习者寻求控制其动态遗憾，免于任意比较器序列。当损耗函数强烈凸或exy-yshave时，我们证明了强烈的自适应（SA）算法可以被视为在比较器序列的路径变化$ V_T $的路径变化中控制动态遗憾的原则方式。具体来说，我们展示了SA算法享受$ \ tilde o（\ sqrt {tv_t} \ vee \ log t）$和$ \ tilde o（\ sqrt {dtv_t} \ vee d \ log t）$动态遗憾强烈凸Exp-Trowave损失分别没有APRIORI $ v_t $。本发明进一步展示了原理方法的多功能性，在与高斯内核的界限线性预测器和在线回归的环境中进一步证明了原则方法。在一个相关的环境下，纸张的第二个组件解决了Zhdanov和Kalnishkan（2010）提出的一个开放问题，涉及与平方误差损失的在线内核回归。我们在一定处罚后悔的新下限，该遗憾地建立了在线内核Ridge回归（KRR）的近极低最低限度。我们的下限可以被视为vovk（2001）中派生的rkhs扩展，以便在有限维中在线线性回归。
translated by 谷歌翻译