建立新型观点综合的最近进展后,我们提出了改善单眼深度估计的应用。特别是,我们提出了一种在三个主要步骤中分开的新颖训练方法。首先,单眼深度网络的预测结果被扭转到额外的视点。其次,我们应用一个额外的图像综合网络,其纠正并提高了翘曲的RGB图像的质量。通过最小化像素-WISE RGB重建误差,该网络的输出需要尽可能类似地查看地面真实性视图。第三,我们将相同的单眼深度估计重新应用于合成的第二视图点,并确保深度预测与相关的地面真理深度一致。实验结果证明,我们的方法在Kitti和Nyu-Deaft-V2数据集上实现了最先进的或可比性,具有轻量级和简单的香草U-Net架构。
translated by 谷歌翻译
观察噪声,由于对称性和遮挡导致的分割和模糊性导致不准确的对象姿态估计。虽然深度和基于RGB的姿势细化方法提高了所得姿势估计的准确性,但它们在观察中易受歧义的影响,因为它们考虑了视觉对齐。我们建议利用我们经常观察静态,刚性场景的事实。因此,其中的对象需要在物理上似是姿势。我们表明,考虑合理性降低了歧义,结果,允许在杂乱的环境中更准确地预测姿势。为此,我们扩展了最近基于RL的登记方法,以实现对象姿势的迭代细化。LineMod和YCB-Video数据集的实验证明了我们深度的细化方法的最先进的性能。
translated by 谷歌翻译
添加到输入的最小侵犯扰动已被证明在愚弄深度神经网络方面有效。在本文中,我们介绍了几种创新,使白盒子目标攻击遵循攻击者的目标:欺骗模型将更高的目标类概率分配比任何其他更高的概率,同时停留在距原始距离的指定距离内输入。首先,我们提出了一种新的损失函数,明确地捕获了目标攻击的目标,特别是通过使用所有类的Logits而不是仅仅是一个子集。我们表明,具有这种损失功能的自动PGD比与其他常用损耗功能相比发现更多的对抗示例。其次,我们提出了一种新的攻击方法,它使用进一步发发版本的我们的损失函数捕获错误分类目标和$ l _ {\ infty} $距离限制$ \ epsilon $。这种新的攻击方法在CIFAR10 DataSet上比较成功了1.5--4.2%,而在ImageNet DataSet上比下一个最先进的攻击更成功。我们使用统计测试确认,我们的攻击优于最先进的攻击不同数据集和$ \ epsilon $和不同防御的价值。
translated by 谷歌翻译
利用自然语言任务描述提示输入已成为一种流行的机制,可以从大规模生成语言模型中引出合理准确的输出,几乎没有内心的监督。这也有助于深入了解语言模型如何纯粹捕获广泛的下游任务的语义,这些任务纯粹是在未标记文本的大规模集团上的自我监督的预训练中。这些模型自然也暴露于许多不良内容,如种族主义和性别歧视语言,并且有限地涉及沿着这些尺寸的模型的认识。在本文中,我们定义和全面评估了这种语言模型如何捕获四项任务的语义:诊断,识别,提取和重新展示。我们为这些任务定义了三个广泛的任务描述:语句,问题和完成,每个类内都有许多词汇变体。我们使用这些类和少量解码方法和少量示例的零任务描述来研究提示每项任务的功效。我们的分析表明,语言模型能够在不同偏差尺寸(例如性别和政治附属)上的不同程度上进行广泛变化的程度。我们相信我们的作品是通过量化当前自我监督目标的限制来实现这种社会学挑战性任务的局限性的重要阶段。
translated by 谷歌翻译
软机器人手的设计和制作仍然是耗时和困难的过程。快速原型的进步在引入设计过程中引入新的复杂性时,显着加速了制造过程。在这项工作中,我们提出了一种采用新型低成本制造技术的方法,与设计工具有助于软手设计人员系统地利用多材料3D打印来制造灵巧的软机器人手。虽然成本和轻量级很低,但我们表明产生的设计是高度耐用的,令人惊讶的强烈,并且能够灵巧地掌握。
translated by 谷歌翻译
Disonandlement被假设有利于许多下游任务。然而,学习解除不诚位表示的共同假设是数据生成因子在统计上独立。由于目前的方法几乎单独评估在这种理想的假设所在的玩具数据集上,我们在分层设置中调查它们的性能,其现实世界数据的相关特征。在这项工作中,我们介绍了一个具有分层结构的地面实际生成因子的数据集。我们使用这部小型数据集来评估最先进的自动统计文件的解剖模型的性能,并观察到分层模型在分层排列因子的解剖学方面通常优于单层VAE。
translated by 谷歌翻译
Dexterous操作是机器人中的一个具有挑战性和重要问题。虽然数据驱动方法是一个有希望的方法,但由于流行方法的样本效率低,当前基准测试需要模拟或广泛的工程支持。我们为Trifinger系统提供基准,这是一个开源机器人平台,用于灵巧操纵和2020年真正的机器人挑战的重点。在挑战中取得成功的基准方法可以一般被描述为结构性政策,因为它们结合了经典机器人和现代政策优化的元素。这种诱导偏差的包含促进样品效率,可解释性,可靠性和高性能。该基准测试的关键方面是验证跨模拟和实际系统的基线,对每个解决方案的核心特征进行彻底消融研究,以及作为操纵基准的挑战的回顾性分析。本工作的代码和演示视频可以在我们的网站上找到(https://sites.google.com/view/benchmark-rrc)。
translated by 谷歌翻译