高压变频的Matlab仿真模型，可以用的
高压变频的Matlab仿真模型，可以用的
Shunt-AF软件自带程序
Shunt-AF软件自带程序
PSCAD软件自带仿真模型Series-AF
PSCAD软件自带仿真模型Series-AF
桥梁之间的分层多任务无监督域适应用于路过损伤诊断
垂直布局通过驾驶车辆的振动响应来监测桥梁，通过允许每辆车检查多座桥梁，并消除在每座桥上安装和维护传感器的需要，实现了高效和低成本的桥梁维护。然而，许多现有的飞车监控方法都是基于监督式学习模型的，这些模型需要来自每个桥梁的大量标记数据。如果不是不可能的话，获得这些标记的数据是昂贵和费时的。此外，直接将在一座桥上训练的监督式学习模型应用到新的桥上，由于不同桥之间的数据分布会发生变化，所以精度较低。此外，当我们有多个任务(例如，损伤检测、定位和量化)时，分布变化比只有一个任务更具挑战性，因为不同的任务有不同的分布变化和不同的任务难度。
为此，我们引入了 HierMUD，这是第一个层次化多任务无监督域自适应框架，它可以将从一个网桥学到的损伤诊断模型转移到一个新的网桥上，而不需要在任何任务中从新的网桥上贴上任何标签。具体来说，我们的框架以一种对抗的方式学习分层神经网络模型，以提取对于多个诊断任务具有信息性且跨多个桥梁不变的特征。为了匹配多任务的分布，我们设计了一个新的损失函数，该损失函数基于一个新的可证明的泛化风险约束，自适应地为具有更多移动分布的任务分配更高的权重。为了学习具有不同任务难度的多
欧几里德准备: IX. 欧几里德仿真器2-具有大量中微子和自洽暗能量扰动的功率谱仿真
我们提出了一个新的，更新版本的欧几里德模拟器(称为欧几里德模拟器2) ，一个快速和准确的预测器的非线性校正的物质功率谱。对于0.01 h Mpc-1≤ k ≤10 h Mpc-1的空间尺度，w0waCDM + Í mν 模型的红移 z = 0和 z = 3之间的八维参数空间支持百分比级精确模拟。为了达到这个水平的准确性，我们必须改进作为训练数据的基础的 N 体模拟的质量: (i)我们使用非暗物质物种的自洽线性进化，例如大量的中微子、光子、暗能量和度量场; (ii)我们在所谓的 N 体规范中执行模拟，它允许人们在广义相对论的框架中解释结果,(iii)基于配对和固定的初始条件，我们运行了超过250个高分辨率模拟，其中1个(h-1Gpc)3体积的盒子中有30003个颗粒，并且(iv)我们提供了可以应用于模拟结果的分辨率校正作为后处理步骤，以大大减少由于模拟中的残余分辨率效应而导致的小尺度上的系统性偏差。我们发现，包含动态暗能量参数显著增加了创建仿真器的复杂性和费用。欧几里德模拟器2的高保真度通过与 N 体模拟以及替代快速预测器(如 HALOFIT、 HMCode 和 CosmicEmu)的多
欧几里德准备: IX. 欧几里德仿真器2——利用大量中微子和自洽暗能量扰动进行功率谱仿真
垂直布局我们提出了一个新的，更新版本的欧几里德模拟器(称为欧几里德模拟器2) ，一个快速和准确的预测器的物质功率谱的非线性校正。百分比级精确仿真现在支持在红移 $z = 0 $和 $z = 3 $之间的 $w _ 0w _ a $CDM $+ sum m _ nu $模型的八维参数空间中，用于0.01 $h $/Mpc $leq k leq $10 $h $/Mpc 范围内的空间尺度。为了达到这个精度水平，我们必须改进作为训练数据的基础的 N 体模拟的质量: (1)我们使用非暗物质物种的自洽线性进化，例如大量的中微子、光子、暗能量和度量场; (2)我们在所谓的 N 体规范中执行模拟，它允许人们在广义相对论的框架中解释结果,(3)基于配对和固定的初始条件，我们运行了250个高分辨率模拟，其中1个(Gpc/$h $) ${} ^ 3 $体积的盒子中包含 $3000 ^ 3 $颗粒，并且(4)我们提供了可以应用于模拟结果的分辨率校正作为后处理步骤，以大大减少由于模拟中的残余分辨率效应而导致的小尺度上的系统偏差。我们发现包含动态暗能量参数 $w _ a $显著增加了创建仿真器的复杂性和开销。欧
热 Sunyaev Zeldovich 能谱的暗能量约束
我们利用热 Sunyaev-Zeldovich (tSZ)效应的功率谱来约束暗能量状态方程参数 w。我们改进了以前的分析，考虑了协方差矩阵中的三光谱和前景参数的边缘化，相关噪声，普朗克宇宙压力剖面中的质量偏差 b，以及所有相关的宇宙学参数(即，不仅仅是 Ωm 和 σ8)。我们发现，tSZ 功率谱的振幅在’。103主要取决于 F ≡ σ8(Ωm = B)0:40 h-0:21，其中 B 与更常用的变量 b 由 B = (1-b)-1相关联。我们用2.6% 的精度测量这个参数，F = 0:460 ± 0:012(68% CL)。将偏差固定在 B = 1:25，加上哈勃常数 H0的局部测定和普朗克宇宙微波背景辐射(CMB)数据约束的原始功率谱的振幅，得到 w = -1:10 ± 0:12，σ8 = 0:802 ± 0:037，Ωm = 0:265 ± 0:022(68% CL)。我们对 w 的限制与来自 CMB 和 H0的距离约束的限制是一致的，并且与距离约束的限制一样紧密。最后，结合 tSZ 功率谱和 CMB 数据，我们发现，在 Λ 冷暗物质(CDM)模型中，B = 1:71 ± 0:17
考虑 c-v2X 安全性的频谱和能源效率联合优化: 深度强化学习方法
作为5G 无线通信的一部分，蜂窝车辆到一切(C-V2X)通信一直被认为是智能城市最重要的技术之一。车辆排队是智能城市的一个应用，通过 C-V2X 提高交通容量和安全性。然而，与在高速公路上行驶的车辆排队不同，C-V2X 可以更容易地被窃听，并且当它们在交叉路口汇合时可能会受到频谱资源的限制。如何在满足 C-V2X 保密率的前提下，提高排队网络的频谱效率(SE)和能量效率(EE)是一个很大的挑战。为了解决这个问题，我们提出了一种基于深度强化学习的安全意识增强 SE 和 EE 的方法，即 SEED。SEED 建立了一个同时考虑 SE 和 EE 的目标优化函数，并将 C-V2X 的保密率作为该函数的一个临界约束条件。
该最佳化问题通过深 Q 网络(deep q network，DQN)转换为 V2V 和 V2I 链路的频谱和传输功率选择。通过基于奖励的 DQN 策略得到了 SE 和 EE 的启发式结果。最后，我们使用 Python 模拟交通和通信环境。评估结果表明，SEED 算法的效率比 DQN-wopa 算法和基线算法分别提高了31.83% 和68.40% 。
缩小多机器人协作深度强化学习中的模拟与实际差距
目前深度强化学习的研究方向包括缩小模拟与现实之间的差距，提高分布式多强化学习体验的样本效率，以及在分布式学习中针对对手代理的强大方法的开发，等等。在这项工作中，我们特别感兴趣的是分析多代理强化学习如何在分布式多机器人系统中架起沟通的桥梁，在这些系统中，不同机器人的操作不一定是同一的。
这些变化可能是由于传感不匹配、机械接头校准方面的固有误差或精度上的简单差异造成的。虽然我们的研究结果是基于模拟的，但是我们介绍了近似策略优化(PPO)在分布式强化学习中传感、校准和精度不匹配的影响。我们讨论了不同类型的扰动以及经历这些扰动的代理的数量如何影响合作学习的努力。在子弹物理发动机中使用库卡臂模型进行了仿真。据我们所知，这是第一个探索 PPO 在多机器人系统中的局限性的工作，当考虑到不同的机器人可能会暴露在不同的环境中，其传感器或执行器会引起误差。根据这项工作的结论，我们为未来设计和开发方法的工作设定了初始强化学习，以实现对多机器人系统中存在的可能不同的现实世界扰动的强大控制。
一种基于物理知识和视觉的细长体变形模态重建方法
研究了利用多摄像机测量来估计(插值和平滑)细长柔性体的形状(姿态和六种变形模式)的问题。这个问题在生物学和工程学中都很重要，因为细长、柔软和弹性的结构在物种之间无处不在，特别是在软机器人领域。提出的形状估计的数学公式是物理知识的基础上，使用特殊的 Cosserat 杆理论，其方程编码在弯曲，剪切，扭曲和拉伸细长体力学的存在。利用该方法推导了纤维增强柔性机器人和缆索驱动柔性机器人手臂的数值算法，并进行了实验验证。实验结果表明，该方法具有较高的精度(误差 < 5mm，比臂直径小三倍) ，对噪声和不确定性具有较强的鲁棒性。
利用耦合海洋观测系统研究中尺度海洋动力学
了解海洋北大西洋区域的当地洋流是建立热传导和全球气候模式模型的关键部分。卫星以高水平分辨率提供了海洋温度的表面特征，而原位自主探测器提供了关于海洋内部热结构的高垂直分辨率但水平稀疏的知识。本文的目的是开发一种方法，将这些互补的海洋观测系统测量结合起来，以获得具有高水平和垂直分辨率的海洋温度的三维时间序列。在一个观测驱动的框架内，我们调查了北大西洋地区中尺度海洋动力学可能分解为多种动力模式的程度，拥有属性海表温度(SST)、海平面异常(SLA)和垂直温度场之间不同的局部回归。最后提出了一种改进垂直海温预报的潜在分类回归方法。
量子退火炉的热力学 从热力学角度研究了 D 波量子退火器的性质
垂直布局垂直布局 D 波处理器是一个部分可控的开放量子系统，它与周围环境(以热的形式)和与外部时间相关的控制场(以功的形式)交换能量。尽管很少被认为是这样，它是一个热力学机器。
本文从热力学角度研究了 D 波量子退火器的性质。我们通过开放访问云服务器 Leap 在 D-Wave 2000Q 上进行了大量的逆向退火实验，目的是了解机器执行何种类型的热操作，量化伴随它的散热程度，以及它交换的热量和工作量。后者是一项具有挑战性的任务，因为人们只能通过实验来获取处理器中发生的整体能量变化(即处理器接收到的热量和功的总和)。然而，最近的非平衡态热力学结果(即涨落定理和热力学不确定关系)允许计算平均产生熵(量化耗散程度)以及平均热量和工作交换的下限。对收集到的实验数据的分析表明: 1)在反向退火过程中，D 波处理器起到了热加速器的作用; 2)随着横向场的增大，D 波处理器的演化涉及到耗散量的增加。
D 波处理器是一个部分可控的开放量子系统，它与周围环境(以热的形式)和外部时间依赖的控制场(以功的形式)交换能量。尽管很少被认为是这样，它是一个热力学机器。
本文从热力学角度研究了 D 波量子退火器的性
yoloV3/yolov4 matlab This respository uses simplified and minima
yoloV3/yolov4 matlab
This respository uses simplified and minimal code to reproduce the yolov3 / yolov4 detection networks and darknet classification networks. The highlights are as follows:
- Support original version of darknet model
- Support training, inference, import and export of "* .cfg", "* .weights" models
- Support the latest yolov3, yolov4 models
- Support darknet classification model
- Support all kinds of indicators such as feature map size calculation, flops calculation and so on.
光线追击 的代码2光线追击 的代码2
光线追击 的代码2光线追击 的代码2
光线追击 的代码1光线追击 的代码
光线追击 的代码1光线追击 的代码
yolov3, yolov4]模型
该存储库使用简化和最少的代码来重现 yolov3 / yolov4 检测网络和暗网分类网络。 亮点如下： - 支持原版darknet模型 - 支持“*.cfg”、“*.weights”模型的训练、推理、导入和导出 - 支持最新的[yolov3, yolov4]模型 - 支持darknet分类模型 - 支持feature map size计算、flops计算等各种指标。
PTB-TIR：热红外行人跟踪基准
热红外 (TIR) 行人跟踪是计算机视觉众多应用中的重要组成部分之一，它有一个主要优势：它可以在完全黑暗的情况下跟踪行人。 在基准数据集上公平评估 TIR 行人跟踪器的能力对于该领域的发展具有重要意义。 但是，没有基准数据集。 在本文中，我们为 TIR 行人跟踪器评估开发了一个 TIR 行人跟踪数据集。 该数据集包括 60 个带有手动注释的热序列。
每个序列有九个属性标签，用于基于属性的评估。 除了数据集外，我们还使用九个公开可用的跟踪器对我们的基准数据集进行了大规模评估实验。 实验结果有助于我们了解这些跟踪器的优缺点。 此外，为了更深入地了解 TIR 行人跟踪器，我们将其功能分为三个组件：特征提取器、运动模型和观察模型。 然后，我们在基准数据集上进行了三个比较实验，以验证每个组件如何影响跟踪器的性能。
这些实验的结果为未来的研究提供了一些指导。
索引词——热红外、行人跟踪、基准标记、数据集
一种计算薄导电物体产生的热磁噪声的通用方法
导电物体中电荷载流子的热运动会导致磁场噪声，干扰导体附近的敏感测量。 在本文中，我们描述了一种计算任意形状薄导电物体的热磁噪声光谱特性的方法。 我们使用流函数对导电表面上的无发散电流进行建模，并计算准静态状态下的磁独立噪声电流模式。 我们获得了热磁噪声的功率谱密度及其空间相关性和频率依赖性。 我们描述了该方法的数值实现； 我们使用三角形网格对导电表面进行建模并离散化流函数。 数值磁噪声计算符合解析公式。 我们将实现作为免费和开源软件包 bfieldtools 的一部分提供。
热红外行人跟踪基准--热红外、行人跟踪
热红外 (TIR) 行人跟踪是计算机视觉众多应用中的重要组成部分之一，它有一个主要优势：它可以在完全黑暗的情况下跟踪行人。 在基准数据集上公平评估 TIR 行人跟踪器的能力对于该领域的发展具有重要意义。 但是，没有基准数据集。 在本文中，我们为 TIR 行人跟踪器评估开发了一个 TIR 行人跟踪数据集。 该数据集包括 60 个带有手动注释的热序列。
每个序列有九个属性标签，用于基于属性的评估。 除了数据集外，我们还使用九个公开可用的跟踪器对我们的基准数据集进行了大规模评估实验。 实验结果有助于我们了解这些跟踪器的优缺点。 此外，为了更深入地了解 TIR 行人跟踪器，我们将其功能分为三个组件：特征提取器、运动模型和观察模型。 然后，我们在基准数据集上进行了三个比较实验，以验证每个组件如何影响跟踪器的性能。
这些实验的结果为未来的研究提供了一些指导。
索引词——热红外、行人跟踪、基准标记、数据集
场发射纳米尖端中电子发射和热效应的通用计算方法
来自纳米尺寸发射器的电子发射由于涉及尖锐电子源、真空击穿现象和各种其他真空纳米电子学应用而变得越来越受关注。 计算电子发射最常用的理论工具现在仍然是 Fowler-Nordheim 和 Richardson-Laue-Dushman 方程，尽管自 1990 年代以来已经表明它们不适用于纳米尖锐的发射器或中间热场 政权。
在本文中，我们开发了一种用于计算发射电流和诺丁汉热量的计算方法，该方法自动区分不同的发射状态，并为每个状态实施适当的计算方法。 我们的方法涵盖了所有电子发射方式（热、场和中间），旨在最大限度地提高计算精度，同时最大限度地减少计算时间。 例如，我们在强电场下 Cu 纳米尖端的热演化的原子模拟中实现了它，发现通过开发的技术预测的这种纳米尖端的行为与基于 Fowler-Nordheim 方程获得的估计有很大不同。 最后，我们表明我们的工具也可以成功地应用于实验 I - V 数据的分析。
基于YOLO Detector的鲁棒实时车牌自动识别
由于许多实际应用，自动车牌识别（ALPR）一直是研究的热点。 然而，许多当前的解决方案在现实世界中仍然不够稳健，通常取决于许多约束。 本文提出了一种基于最先进的 YOLO 目标检测器的稳健高效的 ALPR 系统。 卷积神经网络 (CNN) 针对每个 ALPR 阶段进行训练和微调，以便它们在不同条件下（例如，相机、照明和背景的变化）具有鲁棒性。
特别是对于字符分割和识别，我们设计了一个两阶段的方法，采用简单的数据增强技巧，如倒车牌 (LP) 和翻转字符。
由此产生的 ALPR 方法在两个数据集中取得了令人印象深刻的结果。 首先，在由来自 101 个车辆视频的 2000 帧组成的 SSIG 数据集中，我们的系统实现了 93.53% 和 47 帧每秒 (FPS) 的识别率，表现优于 Sighthound 和 OpenALPR 商业系统（89.80% 和 93.03%， 分别）并且大大优于之前的结果（81.80％）。 其次，针对更现实的场景，我们引入了一个更大的公共数据集1，称为 UFPR ALPR 数据集，专为 ALPR 设计。 该数据集包含 150 个视频和 4,500 个在相
使用卷积神经网络进行准确、数据高效、无约束的文本识别
无约束文本识别是一项重要的计算机视觉任务，具有多种不同的子任务，每个子任务都有自己的挑战。 深度神经网络的最大承诺之一是从输入的原始信号中提取特征的收敛和自动化，从而以最少的领域知识实现最高的性能。 为此，我们提出了一种数据高效的端到端神经网络模型，用于通用、无约束的文本识别。 在我们提出的架构中，我们在不牺牲识别准确性的情况下力求简单和高效。 我们提出的架构是一个完全卷积的网络，没有使用 CTC 损失函数训练的任何循环连接。 因此，它对任意输入大小进行操作，并以非常有效和可并行化的方式生成任意长度的字符串。 我们通过在七个公共基准数据集上实现最先进的结果来展示我们提出的文本识别架构的普遍性和优越性，涵盖广泛的文本识别任务，即：手写识别、验证码识别、OCR、车牌识别和场景 文本识别。 我们提出的架构赢得了 ICFHR2018 READ 数据集上的自动文本识别竞赛。
索引词——文本识别、光学字符识别、手写识别、验证码求解、车牌识别、卷积神经网络、深度学习。
无约束场景下的车牌检测与识别
尽管有大量用于自动车牌识别 (ALPR) 的商业和学术方法，但大多数现有方法都集中在特定的车牌 (LP) 区域（例如欧洲、美国、巴西、台湾等），以及 经常探索包含近似正面图像的数据集。 这项工作提出了一个完整的 ALPR 系统，专注于无约束的捕获场景，其中 LP 可能由于倾斜视图而严重失真。 我们的主要贡献是引入了一种新颖的卷积神经网络 (CNN)，该网络能够检测和纠正单个图像中的多个失真车牌，并将其输入光学字符识别 (OCR) 方法以获得最终结果。 作为额外的贡献，我们还为来自不同区域和采集条件的一组具有挑战性的 LP 图像提供了手动注释。 我们的实验结果表明，所提出的方法在没有针对特定场景的任何参数调整或微调的情况下，在传统场景中的表现与最先进的商业系统相似，并且在具有挑战性的场景中优于学术和商业方法。
关键词：车牌 · 深度学习 · 卷积神经网络
自放电歧化氧化还原液流电池充电状态和交叉估计的自适应观测器设计
— 本文考虑了用于同时估计歧化氧化还原液流电池中的充电状态和交叉通量的模型公式和自适应观测器设计。 这种新颖的非水电池化学允许制定一个简单的等温集总参数模型。 钒通过多孔隔膜的传输是电池变量的关键未知函数，它在连续函数空间中近似。 采用李雅普诺夫分析推导出状态和参数观测器适应律，并应用于估计误差，证明了其稳定性和收敛性。 观察者增益的数值是通过凸优化求解多面体线性矩阵不等式和等式问题来计算的。
该设计的性能在实验室液流电池原型上进行了评估，结果表明，在自放电期间，可以将交叉通量视为该电池配置的充电状态的线性函数。
3D 动态场景图：对地点、物体和人类的可操作空间感知
— 我们为可操作的空间感知提供了一个统一的表示：3D 动态场景图。 场景图是有向图，其中节点表示场景中的实体（例如，对象、墙壁、房间），而边表示节点之间的关系（例如，包含、邻接）。 动态场景图 (DSG) 扩展了这一概念，以表示具有移动代理（例如，人类、机器人）的动态场景，并包含支持规划和决策的可操作信息（例如，时空关系、不同级别的拓扑 抽象）。
我们的第二个贡献是提供第一个全自动空间感知引擎 (SPIN)，以从视觉惯性数据构建 DSG。 我们整合了用于物体和人类检测以及姿势估计的最先进技术，并描述了如何在拥挤的场景中稳健地推断物体、机器人和人类节点。
据我们所知，这是第一篇协调视觉惯性 SLAM 和密集人体网格跟踪的论文。 此外，我们提供算法来获得室内环境（例如，地点、结构、房间）及其关系的分层表示。 我们的第三个贡献是在逼真的基于 Unity 的模拟器中展示所提出的空间感知引擎，我们在其中评估其鲁棒性和表现力。
最后，我们讨论了我们的提议对现代机器人应用的影响。
一种基于 CNN 的新方法，用于通过旋转边界框在 HR 光学遥感图像中准确检测船舶
目前，光学遥感图像中可靠和准确的船舶检测仍然具有挑战性。 即使是最先进的基于卷积神经网络 (CNN) 的方法也无法获得非常令人满意的结果。 为了更准确地定位不同方向的船舶，最近的一些方法通过旋转的边界框进行检测。 然而，这进一步增加了检测的难度，因为在算法中必须准确预测一个额外的船舶方位变量。 在本文中，通过克服当前基于 CNN 的船舶检测方法的一些常见缺陷，提出了一种新的基于 CNN 的船舶检测方法。 具体来说，为了生成旋转区域建议，当前的方法必须预先定义多向锚点，并在一个回归过程中一起预测所有未知变量，从而限制了整体预测的质量。 相比之下，基于船舶目标在遥感图像中几乎是旋转不变的观察结果，我们能够通过一种新颖的双分支回归网络独立地预测方向和其他变量，而且更有效。 接下来，提出了一种形状自适应池化方法，以克服典型的常规 ROI 池化在提取具有各种纵横比的船舶特征方面的局限性。 此外，我们建议通过空间变化的自适应池来合并多级特征。 这种称为多级自适应池的新颖方法导致紧凑的特征表示更适合同时进行船舶分类和定位。 最后，提供了对所提出的方法进行的详细消融研究，以及一些有用的见解。 实验结果
通过交互式感知从一组有限的假设中引导机器人生态感知
为了解决其任务，机器人需要具有解释其感知的能力。 在视觉的情况下，这种解释特别困难，并且依赖于对场景结构的理解，至少在其任务和感觉运动能力的范围内。 能够根据自己的任务和能力构建和调整这种解释过程的机器人将突破机器人在非受控环境中所能达到的极限。 一种解决方案是为机器人提供过程来构建不特定于环境或情况的此类表示。 很多工作都集中在对象分割、识别和操作上。 鉴于可能的对象和环境范围广泛，仅根据其视觉外观定义对象具有挑战性。 因此，当前的工作对场景的结构进行了简化假设。 这种假设的一个例子是桌面假设，它假设物体位于平坦的表面上。 这样的假设降低了对象提取过程对假设成立的环境的适应性。 为了限制这样的假设，我们引入了一种探索方法，旨在识别场景中的可移动元素，而不考虑对象的概念。 通过使用交互式感知框架，我们旨在以最少的上下文特定假设引导环境表示的获取过程。 机器人系统构建了一个称为相关图的感知图，它指示当前场景的可移动部分。 在线训练分类器以预测每个区域的类别（可移动或不可移动）。 它还用于选择与之交互的区域，以最小化分类的不确定性。 引入了一个特定的分类器来满足这些需求：协作混合模型分类器
提升不相交路径在多目标跟踪中的应用
我们提出了对不相交路径问题的扩展，其中引入了额外的提升边缘以提供路径连接先验。 我们将由此产生的优化问题称为提升的不相交路径问题。 我们通过从整数多商品流和 3-SAT 减少来证明这个问题是 NP 难的。 为了实现实际的全局优化，我们提出了几类产生高质量 LP 松弛的线性不等式。 此外，我们提出了有效的切割平面算法来分离提出的线性不等式。 提升的不相交路径问题是多目标跟踪的自然模型，并允许为远程时间交互提供优雅的数学公式。 提升边缘有助于防止身份转换和重新识别人员。 我们提升的不相交路径跟踪器在输入检测方面实现了近乎最佳的分配。 因此，它在 MOT 挑战的所有三个主要基准上都处于领先地位，比最先进的技术有了显着提高。
通过交互式感知从一组有限的假设中引导机器人生态感知
为了解决其任务，机器人需要具有解释其感知的能力。 在视觉的情况下，这种解释特别困难，并且依赖于对场景结构的理解，至少在其任务和感觉运动能力的范围内。 能够根据自己的任务和能力构建和调整这种解释过程的机器人将突破机器人在非受控环境中所能达到的极限。 一种解决方案是为机器人提供过程来构建不特定于环境或情况的此类表示。 很多工作都集中在对象分割、识别和操作上。 鉴于可能的对象和环境范围广泛，仅根据其视觉外观定义对象具有挑战性。 因此，当前的工作对场景的结构进行了简化假设。 这种假设的一个例子是桌面假设，它假设物体位于平坦的表面上。 这样的假设降低了对象提取过程对假设成立的环境的适应性。 为了限制这样的假设，我们引入了一种探索方法，旨在识别场景中的可移动元素，而不考虑对象的概念。 通过使用交互式感知框架，我们旨在以最少的上下文特定假设引导环境表示的获取过程。 机器人系统构建了一个称为相关图的感知图，它指示当前场景的可移动部分。 在线训练分类器以预测每个区域的类别（可移动或不可移动）。 它还用于选择与之交互的区域，以最小化分类的不确定性。 引入了一个特定的分类器来满足这些需求：协作混合模型分类器
胃基底电节律对静息态脑网络的锁相
胃体中的 Cajal 肌间质细胞网络充当其“起搏器”，持续产生约 0.05 Hz 的慢电波，主要通过迷走神经传入大脑。 最近的一项研究将静息状态功能 MRI (rsfMRI) 与并发表面胃电图 (EGG) 相结合，将皮肤电极放置在上腹部，发现 12 个大脑区域的活动与这种胃基础电节律显着锁相。 因此，我们询问使用空间独立成分分析 (ICA) 方法估计的大脑静息状态网络 (RSN) 的波动是否可能与胃同步。 在本研究中，为了确定是否有任何 RSN 与胃节律锁相，个体参与者接受了 22 次扫描。 在每一个中，获得了两个 15 分钟的并发 EGG 和 rsfMRI 数据。 来自三个会话的 EGG 数据具有微弱的胃信号，被排除在外； 其他 19 个会话总共产生了 9.5 小时的数据。
使用 ICA 组分析 rsfMRI 数据； 估计 RSN 时间课程； 对于每次运行，计算每个 RSN 和胃信号之间的锁相值 (PLV)。 为了评估统计显着性，来自所有“不匹配”数据对（在不同日期获取的 EGG 和 rsfMRI 数据）的 PLV 被用作替代数据，以生成每个 RSN 的零分布。 在总共 18
基于视频的行人重识别时空互促
基于视频的人员重新识别是在多个摄像机视图中匹配一个人的视频序列的一项关键任务。 通常，直接从单帧中提取的特征会受到遮挡、模糊、光照和姿势变化的影响。 这会导致某些区域的错误激活或缺少激活，从而破坏外观和运动表示。 如何挖掘视频序列中丰富的时空信息是解决这一问题的关键。
为此，我们提出了一个 Refining Recurrent Unit (RRU)，它通过参考历史帧来恢复丢失的部分并抑制当前帧特征的噪声部分。 使用 RRU，每个帧的外观表示的质量都得到了提高。 然后我们使用时空线索集成模块（STIM）从这些升级的特征中挖掘时空信息。 同时，多层次的训练目标用于增强RRU和STIM的能力。 通过这些模块的配合，时空特征相互促进，最终的时空特征表示更具判别力和鲁棒性。 在三个具有挑战性的数据集上进行了广泛的实验，即 iLIDS-VID、PRID2011 和 MARS。 实验结果表明，我们的方法在 iLIDS-VID 和 MARS 上优于现有的基于视频的人员重新识别的最先进方法，并在 PRID-2011 上取得了良好的结果。
视频去模糊的对抗性时空学习
相机抖动或目标移动通常会导致手持相机拍摄的视频出现不希望的模糊效果。
尽管已经为视频去模糊研究付出了巨大的努力，但仍然存在两个主要挑战：1）如何对空间域（即图像平面）和时间域（即相邻帧）的时空特征进行建模， 2）如何恢复清晰的图像细节 传统上采用的像素级误差度量。 在本文中，为了解决第一个挑战，我们提出了一个用于时空学习的 DeBLuRring 网络 (DBLRNet)，方法是将 3D 卷积应用于空间和时间域。 我们的 DBLRNet 能够捕获在相邻帧中编码的联合空间和时间信息，这直接有助于提高视频去模糊性能。 为了应对第二个挑战，我们利用开发的 DBLRNet 作为 GAN（生成对抗网络）架构中的生成器，并在对抗性损失的基础上使用内容损失来进行有效的对抗性训练。
我们将开发的网络称为 DeBLuRring Generative Adversarial Network (DBLRGAN)，在两个标准基准上进行了测试，并达到了最先进的性能。
索引词——时空学习、对抗学习、视频去模糊。
从移动数据中提取公共交通的时空需求
随着人们不断迁移到不同的城市地区，我们对工作、服务和休闲的出行需求正在迅速转变。 不断变化的城市人口结构对公交服务的有效管理提出了若干挑战。 为了预测公交需求，规划者经常求助于难以获得、不准确或过时的社会学调查或建模。
那么我们如何估计对流动性的多样化需求呢？ 我们提出了一种简单的方法来识别城市公共交通的时空需求。 使用高斯混合模型，我们将经验乘客数据分解为一组代表任何给定日期乘客的时间需求曲线。 每天大约 460 万条来自大伦敦地区的过境记录揭示了不同的需求情况。 我们发现，这些配置文件的加权混合可以非常好地产生任何车站流量，揭示空间同心的移动需求集群。 我们分析城市时空地理的方法可以扩展到具有不同公共交通方式的其他城市区域。
从姿势图像进行端到端 3D 场景重建
我们通过从一组姿势 RGB 图像中直接回归截断符号距离函数 (TSDF)，提出了一种场景的端到端 3D 重建方法。 传统的 3D 重建方法在估计场景的完整 3D 模型之前依赖于深度图的中间表示。 我们假设直接回归到 3D 更有效。 2D CNN 独立地从每个图像中提取特征，然后使用相机内在函数和外在函数进行反向投影并累积到体素体积中。 累积后，3D CNN 对累积的特征进行细化并预测 TSDF 值。 此外，无需大量计算即可获得 3D 模型的语义分割。 这种方法在 Scannet 数据集上进行了评估，我们在数量和质量上都显着优于最先进的基线（深度多视图立体，然后是传统的 TSDF 融合）。 我们将我们的 3D 语义分割与使用深度传感器的先前方法进行比较，因为先前的工作没有尝试仅使用 RGB 输入来解决问题。
关键词：多视角立体； TSDF； 3D重建
运动学单车轨迹预测基线和 NGSIM 数据集的应用
— 在最近的车辆轨迹预测文献中，简要介绍了最常见的基线，而没有必要的信息来重现它。 在本文中，我们从简单的模型中生成可重复的车辆预测结果。 为此，该过程是明确的，并且代码是可用的。 这些基线模型是等速模型和单车预测模型。 它们仅使用相对位置应用于 NGSIM US-101 和 I-80 数据集。 因此，可以使用任何包含车辆位置跟踪的数据库来复制该过程。 评估报告均方根误差 (RMSE)、最终位移误差 (FDE)、负对数似然 (NLL) 和未命中率 (MR)。 NLL 估计需要仔细定义，因为在其他工作中使用了与数学定义不同的几个公式。 本文旨在与已发布的代码一起使用，以建立进一步工作的基线。 提出了一个扩展，以使用循环神经网络的学习模型代替恒定速度假设。 这带来了准确性和不确定性估计的良好改进，并为复杂和可解释的模型开辟了可能性。
联合单目 3D 车辆检测和跟踪
车辆 3D 范围和轨迹是预测车辆未来位置和基于这些预测规划未来代理自我运动的关键线索。 在本文中，我们提出了一种新颖的在线框架，用于从单目视频中进行 3D 车辆检测和跟踪。 该框架不仅可以关联对随时间运动的车辆的检测，还可以根据在移动平台上捕获的一系列 2D 图像估计其完整的 3D 边界框信息。 我们的方法利用 3D 框深度排序匹配来实现稳健的实例关联，并利用 3D 轨迹预测来重新识别被遮挡的车辆。 我们还设计了一个基于 LSTM 的运动学习模块，用于更准确的长期运动外推。 我们对模拟、KITTI 和 Argoverse 数据集的实验表明，我们的 3D 跟踪管道提供了强大的数据关联和跟踪。 在 Argoverse 上，我们基于图像的方法在跟踪 30 米内的 3D 车辆方面明显优于以 LiDAR 为中心的基线方法。
车辆重新识别：使用多流卷积网络探索特征融合
这项工作通过不重叠的摄像头网络解决了车辆重新识别的问题。 作为我们的主要贡献，我们提出了一种新颖的两流卷积神经网络（CNN），它同时使用了两个最独特和最持久的特征：车辆外观和车牌。 这是为了解决一个主要问题，即由具有类似设计的车辆或非常接近的车牌标识符引起的误报。 在第一个网络流中，形状相似性由 Siamese CNN 识别，该 CNN 使用由两个不同摄像机记录的一对低分辨率车辆补丁。 在第二个流中，我们使用 CNN 进行光学字符识别 (OCR) 从一对高分辨率车牌补丁中提取文本信息、置信度分数和字符串相似性。 然后，来自两个流的特征由一系列完全连接的层合并以进行决策。 作为这项工作的一部分，我们创建了一个重要的车辆重新识别数据集，其中包含超过 3 小时的视频，涵盖近 3,000 辆汽车。 在我们的实验中，我们分别实现了 99.6%、99.2% 和 99.4% 的准确率、召回率和 F-score 值。
作为另一个贡献，我们讨论和比较了三种替代架构，它们探索了相同的特性，但使用了额外的流和时间信息。
在拥挤的交通网络中路由自动驾驶汽车：结构属性和协调算法
在拥挤的交通网络中路由自动驾驶汽车：结构属性和协调算法
面向智能驾驶辅助系统的以自我为中心的基于视觉的未来车辆定位
面向智能驾驶辅助系统的以自我为中心的基于视觉的未来车辆定位
车辆交通驱动的摄像头放置，以实现更好的城市安全监控
车辆交通驱动的摄像头放置，以实现更好的城市安全监控
RSS订阅
466
2
