轨迹预测是自动车辆(AVS)执行安全规划和导航的关键组件。然而,很少有研究分析了轨迹预测的对抗性稳健性,或者调查了最坏情况的预测是否仍然可以导致安全规划。为了弥合这种差距,我们通过提出普通车辆轨迹来最大化预测误差来研究轨迹预测模型的对抗鲁棒性。我们在三个模型和三个数据集上的实验表明,对手预测将预测误差增加超过150%。我们的案例研究表明,如果对手在对手轨迹之后驱动靠近目标AV的车辆,则AV可以进行不准确的预测,甚至不安全的驾驶决策。我们还通过数据增强和轨迹平滑探索可能的缓解技术。
translated by 谷歌翻译
经过认证的稳健性保证衡量模型对测试时间攻击的稳健性,并且可以评估模型对现实世界中部署的准备情况。在这项工作中,我们批判性地研究了对基于随机平滑的认证方法的对抗鲁棒性如何在遇到配送外(OOD)数据的最先进的鲁棒模型时改变。我们的分析显示了这些模型的先前未知的漏洞,以低频OOD数据,例如与天气相关的损坏,使这些模型不适合在野外部署。为了缓解这个问题,我们提出了一种新的数据增强方案,Fourimix,产生增强以改善训练数据的光谱覆盖范围。此外,我们提出了一种新规范器,鼓励增强数据的噪声扰动的一致预测,以提高平滑模型的质量。我们发现Fouriermix增强有助于消除可认真强大的模型的频谱偏差,使其能够在一系列ood基准上实现明显更好的稳健性保证。我们的评估还在突出模型的光谱偏差时揭示了当前的OOD基准。为此,我们提出了一个全面的基准套件,其中包含来自光谱域中不同区域的损坏。对拟议套件上流行的增强方法培训的模型的评估突出了它们的光谱偏差,并建立了富硫克斯训练型模型在实现整个频谱上变化下的更好认证的鲁棒性担保的优势。
translated by 谷歌翻译
我们介绍了程序化运动概念,这是人类行为的层次运动表示形式,可捕获低级运动和高级描述作为运动概念。这种表示可以使人类运动描述,交互式编辑以及单个框架中新型视频序列的受控合成。我们介绍了一个体系结构,该体系结构以半监督的方式从配对的视频和动作序列中学习此概念表示。我们代表的紧凑性还使我们能够提出一个低资源的培训配方,以进行数据效率学习。通过超越建立的基线,尤其是在小型数据制度中,我们证明了我们框架对多个应用程序的效率和有效性。
translated by 谷歌翻译
强大而广义的工具操作需要了解不同工具的属性和提供的功能。我们研究有关工具的语言信息(例如,其几何形状,常用用途)是否可以帮助控制策略更快地适应给定任务的新工具。我们获得了自然语言中各种工具的各种描述,并使用预训练的语言模型来生成其功能表示。然后,我们执行语言条件的元学习,以学习可以有效地适应新工具的政策。我们的结果表明,将语言信息和元学习结合起来可以显着加速工具在几个操纵任务中的学习,包括推动,举重,清扫和锤击。
translated by 谷歌翻译
本文分析了交付功能步态结果的联合空间步行机制和冗余。分析了两名参加多因素研究并在三个课程中行走的健康男性成年人的生物力学措施。两位参与者都采用不同的人体内部和人际补偿策略(例如,拱顶,髋关节远足)跨步行条件,并表现出显着的步态模式改变,同时保持任务空间(功能)步态参数不变。他们还更喜欢各种不对称的步长,但在自由步行过程中保持了对称步长的一致性和Cadence-Invariant。结果表明,个性化方法的重要性以及需要从功能(任务空间)到关节空间步态分析的范式转变,以便在(a)典型步态和提供以人为中心的人类机器人相互作用。
translated by 谷歌翻译
时空预测学习旨在通过从历史框架中学习来产生未来的帧。在本文中,我们研究了现有方法,并提出了时空预测学习的一般框架,其中空间编码器和解码器捕获框架内特征和中间时间模块捕获框架间相关性。尽管主流方法采用经常性单元来捕获长期的时间依赖性,但由于无法可行的架构,它们的计算效率低。为了使时间模块并行,我们提出了时间注意单元(TAU),该单元将时间关注分解为框内静态注意力和框架间动力学注意力。此外,虽然平方误差损失侧重于框架内错误,但我们引入了一种新颖的差异差异正则化,以考虑框架间的变化。广泛的实验表明,所提出的方法使派生模型能够在各种时空预测基准上实现竞争性能。
translated by 谷歌翻译
对状态$ \ lvert \ psi \ rangle $的对称性是单一操作员,其中$ \ lvert \ psi \ rangle $是特征者。当$ \ lvert \ psi \ rangle $是黑盒甲骨文提供的未知状态时,该州的对称性可用于表征它,并且通常会降级有关$ \ lvert \ psi \ rangle $的许多所需信息。在本文中,我们开发了一种变性杂种量子式学习方案,以系统地探测$ \ lvert \ psi \ rangle $的对称性,而没有对状态的先验假设。此过程可用于同时学习各种对称性。为了避免重新学习已经知道的对称性,我们引入了一种具有经典深神经网的交互式协议。因此,经典的网络针对重复的发现进行了正规化,并允许我们的算法通过发现的所有可能对称性终止经验。我们的方案可以平均通过非本地交换门有效地实施;我们还提供了仅使用本地操作的效率较低的算法,这可能更适合当前的噪声量子设备。我们展示了我们对代表国家的算法。
translated by 谷歌翻译
我们可以将袖珍配体的相互作用知识注入预训练的模型并共同学习其化学空间吗?近年来,预处理的分子和蛋白质引起了很大的关注,而这些方法中的大多数都集中在学习一个化学空间,并且缺乏注射生物学知识。我们提出一个共同监督预告片(COSP)的框架,以同时学习3D口袋和配体表示。我们使用封闭式的几何消息传递层来对3D口袋和配体进行建模,其中每个节点的化学特征,几何位置和方向都被考虑。为了学习生物学有意义的嵌入,我们通过对比度损失将袖珍配体相互作用知识注入预处理模型。考虑到分子的特异性,我们进一步提出了化学相似性增强的负抽样策略,以提高对比度学习绩效。通过广泛的实验,我们得出的结论是,COSP可以在口袋匹配,分子属性预测和虚拟筛选中获得竞争成果。
translated by 谷歌翻译
基于多个实例检测网络(MIDN),大量作品为弱监督对象检测(WSOD)做出了巨大的努力。但是,大多数方法忽略了一个事实,即在训练阶段每个图像中都存在压倒性的负面实例,这会误导培训并使网络落入本地最小值。为了解决这个问题,本文提出了基于硬采样和软采样的在线渐进式实例平衡采样(OPI)算法。该算法包括两个模块:渐进式实例平衡(PIB)模块和渐进式实例重新加权(PIR)模块。 PIB模块结合了随机抽样和iou均衡采样,逐渐地挖掘出硬性实例,同时平衡积极实例和负面实例。 PIR模块进一步利用了分类器得分和相邻的改进,以重新获得使网络关注积极实例的积极实例的权重。 Pascal VOC 2007和2012数据集的广泛实验结果表明,所提出的方法可以显着改善基线,这也可与许多现有的最新结果相媲美。此外,与基线相比,所提出的方法不需要额外的网络参数,并且补充培训开销很小,可以根据实例分类器修补范式轻松地集成到其他方法中。
translated by 谷歌翻译
近年来,自主驾驶一直在受到越来越多的关注,因为它的潜力减轻了驾驶员的负担并提高驾驶的安全性。在现代的自动驾驶管道中,感知系统是必不可少的组件,旨在准确估计周围环境的状态,并为预测和计划提供可靠的观察。 3D对象检测可以智能预测自动驾驶汽车附近关键3D对象的位置,大小和类别,是感知系统的重要组成部分。本文回顾了自动驾驶的3D对象检测的进展。首先,我们介绍3D对象检测的背景,并讨论此任务中的挑战。其次,我们从模型和感觉输入的各个方面(包括基于激光雷达,基于摄像头和多模式检测方法)对3D对象检测的进度进行了全面调查。我们还对每类方法中的潜力和挑战提供了深入的分析。此外,我们系统地研究了3D对象检测在驾驶系统中的应用。最后,我们对3D对象检测方法进行了性能分析,并进一步总结了多年来的研究趋势,并向前景提供了该领域的未来方向。
translated by 谷歌翻译