吴恩达老师课程原地址: https://mooc.study.163.com/smartSpec/detail/1001319001.htm
除了空中消毒、喊话外,在测温设备紧缺的情况下,无人机也紧急上阵,被拿来用做远程测温。
近年来,推荐系统已成为所有电子商务平台中必不可少的组件。然而,推荐系统的评分数据通常来自开放平台,而开放平台可能会存在一群恶意用户故意插入虚假反馈,以使推荐系统倾向于他们的偏爱(Shilling Attack)。我们通常假设用户的评分数据始终是可用的,并且这些数据确实可以反映用户的兴趣和偏好。然而此类攻击的存在违反了常规建模的假设。因此,构建一个健壮的推荐系统,即使在出现此类攻击的情况下也能够生成稳定的推荐结果,具有重大的实际意义。
选自arXiv 作者:Mingliang Xu等 机器之心编译 手机二维码太普通,换来换去还是不好看。何不自定义一个自己喜欢的呢?近日,郑州大学、浙江大学、微软亚洲研究院、北京航空航天大学的研究者发布论文,提出一种设计个性化的艺术风格二维码的方法,通过三步自定义独特二维码,并且能保持扫描成功率。 随着互联网和智能移动设备不断普及,二维码(Quick Response code)已成为世界上应用最为广泛的信息载体之一。一般的二维码观感并不好,带有人眼无法识别的单调的黑/白编码模块。最近,二维码的视觉美化在学界
《Review and comparison of path tracking based on model predictive control》是期刊《Electronics》在2019年第8卷第10期上刊载的一篇论文。目前期刊《Electronics》的中科院大类分区(工程技术)是4区,小类分区(工程:电子与电气)是4区,2019年影响因子为2.412。
虽然直接法SLAM在无纹理环境更加鲁棒,但是由于灰度图像的凸性特征导致光度误差的凸性仅在一个小区域内保持的问题,所以传统的直接法视觉SLAM在当跟踪点有较大位移时,可能陷入次优局部极小解,具体问题描述如下图,左边分别是对应区域的灰度图和语义概率图,右图相应的三维可视化,灰度图像保留了对象的细节,而道路的概率主要在道路边界上进行生成,对于语义对象边界上的点,语义概率的凸性在比灰度图像更大的区域中成立。
AI 科技评论按:谷歌大脑近期的一篇新论文对对抗性样本做了多方面的理论性研究,不仅首次发现了简单数据分布下对抗性样本的分布特性,而且得出了「分类误差为零的模型不存在对抗性样本」这样的大家此前不曾想象过
在电路中将直流电转换为交流电的过程称之为逆变,这种转换通常通过逆变电源来实现。这就涉及到在逆变过程中的控制算法问题。本文引用地址:http://www.eepw.com.cn/article/201710/366918.htm
同步定位和制图(SLAM)一直被认为机器人定位导航以及无人驾驶的核心技术,而利用摄像头作为传感器的视觉SLAM在近几十年也得到了广泛的研究,在这期间涌现了大量优秀的SLAM方法,为后人对SLAM技术的研究打下了坚实的基础。
选自thecuriousaicompany 机器之心编译 参与:陈韵竹、刘晓坤 本文回顾了一些常见的半监督算法,随后介绍了作者在 NIPS 2017 展示的 Mean Teacher 项目。 Mean Teacher 的论文地址:https://arxiv.org/abs/1703.01780 Mean Teacher 的 GitHub 地址:https://github.com/CuriousAI/mean-teacher/ 半监督学习即将迎来黄金时代。 深度学习模型已在多年来展示了超越人类能力的表现
今天给大家介绍的文章是哥本哈根大学计算机科学系 Wouter Boomsma 等人发表在 Nature Communications 上的文章 Learning meaningful representations of protein sequences。在本文中,作者探索了迁移学习和可解释性学习中的表示。在迁移学习中,作者证明了现在的一些实践只能产生次优的结果。在可解释性学习中,把几何信息考虑在内有助于提升可解释性,并且可以帮助模型揭示被掩盖的生物信息。
时域卷积=频域乘积,卷积神经网络大部分的计算也在卷积部分,如何从频域的角度思考卷积神经网络,如何从频域的角度解释ResNet。
在数据科学和机器学习领域,数据可视化是一项至关重要的任务。它不仅可以帮助我们更好地理解数据,还能够有效地传达数据的洞察和趋势。而在 Python 中,Matplotlib 是一个强大而灵活的工具,可以用来创建各种类型的数据可视化图表,从简单的折线图到复杂的热图都能胜任。
假设正在调试猫分类器,然后取得了90%准确率,相当于10%的误差,这离希望的目标还很远。看了算法分类错误的例子,注意到算法将一些狗分类成猫。所以这里考虑是否做 一个项目专门处理狗,这个项目可能花几个月时间才能将分类狗的算法做好,在狗图片上犯更少的错误,与其做这个项目花几个月时间而且结果未知。 这里有个误差分析流程,可以让你知道这个方向是否值得努力。 1.收集一下比如100个错误标记的开发集例子,查看开发集里面有多少错误 标记的例子是狗。假设你的100个错误标记例子中只有5%是狗,这意味着100个例子,在典型的100个出错例子中,即使你完全解决了狗的问题,也只能修正这100个错误中的5个;现在假设发生了另外一件事,100个错误标记的开发集例子,实际有50张都是狗,现在花时间解决狗的问题可能效果就很好,这种情况下如果解决了狗的问题,那么你的误差就可能从10%下降到5%了。通过人工查看就可以知道你改进的方向有多少价值。
这项新研究背后的关键原理是量子隐形传态,这是量子力学的独有特征,曾被用来在双方之间隐形传输未知的量子态,而不需要在物理上发送粒子本身。耶鲁大学的研究人员利用 20 世纪 90 年代开发的理论协议,在不依赖任何直接相互作用的情况下,通过实验展示了在两个量子比特之间的量子门的隐形传输。这种门对于依赖分离量子系统网络的量子计算来说非常必要——许多研究人员认为这种结构可以抵消量子计算处理器固有的误差。
箱线图是由一个箱体和一对箱须所构成的统计图形。箱体是由第一四分位数、中位数、第三四分位数组成。在箱须末端之外的可以认为是离群值,因此箱须是对一组数据的大致直观描述。
机器学习通常被认为是解决困难问题的一个魔法解决方案,它将使我们从单纯的人类中解脱出来。但事实上,对于数据科学家和机器学习工程师来说,有很多问题比带有限规则集的图像或棋盘游戏中的简单对象识别要困难得多。
文章:Optimising the selection of samples for robust lidar camera calibration
图论和网络科学工具揭示了静息状态脑电分析中脑功能组织的基本机制。然而,仍不清楚几个方法学方面如何可能使重构的功能网络的拓扑产生偏差。在此背景下,文献显示所选分段的长度不一致,阻碍了不同研究结果之间的有意义的比较。本研究的目的是提供一种不受分段长度对功能连通性和网络重建影响的网络方法。采用不同时间间隔(1、2、4、6、8、10、12、14和16s)对18名健康志愿者的静息状态脑电图进行相位滞后指数(PLI)和振幅包络相关(AEC)测量。通过计算加权聚类系数(CCw)、加权特征路径长度(Lw)和最小生成树参数(MST)对网络拓扑进行评估。分析在电极和源空间数据上进行。电极分析结果显示,PLI和AEC的平均值都随着分段长度的增加而降低,PLI在12s和AEC在6s有稳定的趋势。此外,CCw和Lw表现出非常相似的行为,基于AEC的指标在稳定性方面更可靠。一般来说,MST参数在短时间内稳定,特别是基于PLI的MST (1-6 s,而AEC为4-8 s)。在源水平,结果更加可靠,基于PLI的MST的结果稳定可以达到1 s。这表明,PLI和AEC都依赖于分段长度,这对重建的网络拓扑结构有影响,特别是在电极上。源水平的MST拓扑对分段长度的差异不敏感,因此可以对不同研究的脑网络拓扑进行比较。本文发表在Journal of Neural Engineering杂志。
今天跟大家分享一篇之前发表的文章,《基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模 》。 摘要: 针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法。首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度
0x00 前言 在机器学习中,过拟合是一个十分重要的概念,围绕它的问题夜十分令人酸爽。 下面的的一些文字将会围绕过拟合问题进行分析,公式很少,我尝试通过感官上的方式来解释清楚。 整个行文如下: 首先要明白什么是损失函数?我们拿它来做什么? 其次来分析一下什么什么是过拟合?顺便补充一下欠拟合是什么? 过拟合有很多种解决方式,我们只取其中的正则化的方式做一个小的讲解。 0x01 损失函数 损失函数(loss function)是用来估量你模型的预测值f(x)与真实值Y的不一致程度,它是一个非负实值函数,通常使
如果一个损失函数,在有噪音的情况下,其风险最小化的模型(minimizer)跟没有噪音时是相同的,就称这个损失函数是抗噪的(noise-tolerant)。换言之,有噪音的情况下的最优模型,跟没噪音一样。(听起来是不是不可能?)
做嵌入式开发控制系统,应该经常会用到PID(比例,积分,微分,proportional,integral,derivative)算法,PID 控制器以各种形式使用超过了很多年,广泛应用在机械设备、传动设备和电子设备。在微处理器出现以前,许多的老工程师都是用电阻电容等期间来搭建PID硬件控制器,最基础的硬件PID控制器,在模电课程中应该都学习过,但是估计大家都忘记的差不多了,没事可以去复习下,随着微处理器电子技术的发展,采用微处理器的数字 PID 控制器算法应用也越来越广泛,但是最基础的PID知识,还是有
文章:Fast and Robust Ground Surface Estimation from LiDAR Measurements using Uniform B-Splines
文章:FastORB-SLAM: Fast ORB-SLAM method with Coarse-to-Fine Descriptor Independent Keypoint Matching
深度学习里面有很多的损失函数,对于MSE、MAE损失函数可能已经耳熟能详了了,对于L1、L2正则化也很熟悉,那你知道什么是L1_loss和L2_loss吗,以及在目标检测的系列论文比如fast-RCNN、faster-RCNN中经常出现的smooth L1损失又是什么呢?
损失函数是机器学习里最基础也是最为关键的一个要素,其用来评价模型的预测值和真实值不一样的程度。最为常见的损失函数包括平方损失、指数损失、log 对数损失等损失函数。这里回顾了一种新的损失函数,通过引入鲁棒性作为连续参数,该损失函数可以使围绕最小化损失的算法得以推广,其中损失的鲁棒性在训练过程中自动自我适应,从而提高了基于学习任务的性能。
作者:Dmytrii S. 翻译:陈之炎 校对:卢苗苗 本文与大家讨论深度学习泛化理论中的一些经验并试图对它做出解释。 我们可以从最新的关于深度学习“炼金术”的悖论研究中了解一二。 动机 深度学习目前正被用于方方面面。但是,人们经常批评它缺乏一个基础理论,能够完全解释其为什么能如此神奇。最近,神经信息处理系统大会(NIPS)的时间测试奖(Test-of-Time)得主将深度学习比作“炼金术”。 尽管解释深度学习泛化理论仍然是一个悬而未决的问题,在这篇文章中,我们将讨论这个领域最新的理论和先进的经验,并试
轮式机器人过减速带时,里程计(ODO)和非完整性约束(NHC)都被干扰甚至破坏,那么除了抗差这种亡羊补牢之外,ODO/NHC修正算法本身是否能够更鲁棒地应对这种情况?我们的研究表明:采用距离增量修正(包括ODO和NHC)比传统的速度修正的组合导航精度更高,稳健性也更好,尤其是对小型轮式机器人这种不精密载体[1]。
我们已经通过多篇文章讲解了端到端的立体匹配模型的各种细节问题,不过还没有回答一个问题:这样的模型如何训练?那么这一篇文章就来谈论这个问题。
请注意,本文编写于 1046 天前,最后修改于 1046 天前,其中某些信息可能已经过时。
机器人学代表了当今集成度高、具有代表性的高技术领域,它综合了多门学科。其中包括机械工程学、计算机技术、控制工程学、电子学、生物学等多学科的交叉与融合,体现了当今实用科学技术的先进水平。 一般而言,机器人由几大部分组成,分别为机械部分(一般是指通过各关节相连组成的机械臂)、传感部分(包括测量位置、速度等的测量装置),以及控制部分(对传感部分传来的测量信号进行处理并给出相应控制作用)。 作为机器人的“大脑”,机器人控制技术的重要性不言而喻 它主要是通过传感等部分传送的信息,采用控制算法,使得机械部分完成目标操作
选自towardsdatascience 作者:Saptashwa Bhattacharyya 机器之心编译 编辑:陈萍 损失函数是机器学习里最基础也是最为关键的一个要素,其用来评价模型的预测值和真实值不一样的程度。最为常见的损失函数包括平方损失、指数损失、log 对数损失等损失函数。这里回顾了一种新的损失函数,通过引入鲁棒性作为连续参数,该损失函数可以使围绕最小化损失的算法得以推广,其中损失的鲁棒性在训练过程中自动自我适应,从而提高了基于学习任务的性能。 这篇文章对 CVPR 2019 的一篇论文《A
2020 年4月2日 由于浏览数量的增加,这里做了一些增补及修改。有问题请大家指出。
生成模型已经得到了数十年的研究,因为人们相信生成模型对很多下游任务有利,比如半监督学习、缺失数据处理和不确定性校准。然而,对深度生成模型的大多数近期研究都忽视了这些问题,而将重心放在了定性样本质量以及在留存验证集上的对数似然上。
《MME-EKF-based path-tracking control of autonomous vehicles considering input saturation》是期刊《IEEE Transactions on Vehicular Technology》在2019年第68卷第6期上刊载的一篇论文。《IEEE Transactions on Vehicular Technology》的中科院大类分区(工程技术)是2区,小类分区(运输科技)2区,2019年影响因子为5.379。
【新智元导读】图像分割是以人眼识别为基础,而人眼识别是从整体到局部的分割方式。本文首次提出了一种模拟人眼判别的新指标,结果远优于现有方法,并证明其与人眼判别结果更加一致。
文章:Coarse-to-fine Semantic Localization with HD Map for Autonomous Driving in Structural Scenes
这里使用ToothGrowth 数据集。它描述了维他命C对Guinea猪牙齿的生长影响。包含了三种不同的剂量(Vitamin C (0.5, 1, and 2 mg))和相应的两种不同使用方法( [orange juice (OJ) or ascorbic acid (VC)])。
来自于ICLR2020的一篇paper -- Improving Adversarial Robustness Requires Revisiting Misclassified Examples
【导读】许多研究已经证明深度神经网络容易受到对抗性样本现象(adversarial example phenomenon)的影响:到目前为止测试的所有模型都可以通过图像的微小扰动使其分类显著改变。为了解决这个问题研究人员也在不断探索新方法,L2 正则化也被引入作为一种新技术。本文中人工智能头条将从基本问题——线性分类问题开始给大家介绍解决对抗性样本现象的一些新视角。
柱状图是描述统计中使用频率非常高的一种统计图形。它有垂直样式和水平样式两种可视化效果。这里我们主要介绍柱状图的应用场景和绘制原理。
两个高维聚类由一个超平面分离,考虑超平面和图中水平线之间的夹角,在线性分类中,这个夹角取决于 L2 正则化的程度,你知道为什么吗?上图:L2 正则化程度较小;下图:L2 正则化程度较大。
实时、准确和鲁棒的定位对于自动驾驶汽车(AVs)实现安全、高效驾驶至关重要,而实时性能对于AVs及时实现其当前位置以进行决策至关重要。迄今为止,没有一篇综述文章定量比较了基于各种硬件平台和编程语言的不同定位技术之间的实时性能,并分析了定位方法、实时性能和准确性之间的关系。因此,本文讨论了最先进的定位技术,并分析了它们在AV应用中的整体性能。
ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM
摘要:本综述涵盖了深度学习技术应用到SLAM领域的最新研究成果,重点介绍和总结了深度学习在前端跟踪、后端优化、语义建图和不确定性估计中的研究成果,展望了深度学习下视觉SLAM的发展趋势,为后继者了解与应用深度学习技术、研究移动机器人自主定位和建图问题的可行性方案提供助力。
编译整理 | 吴少杰、褚杏娟 策划 | 蔡芳芳 近期,前百度研究院副院长李平等人开源了多年的研究成果 Fast ABC-Boost 机器学习包。 开源代码连接:https://github.com/pltrees/abcboost 据悉,该研究十多年前就已经开始,2010 年,李平发表了题为“Robust LogitBoost and Adaptive Base Class (ABC) LogitBoost”的论文,2018 年的图灵奖得主 Yoshua Bengio 当时还与人讨论了李平在树模型和 boo
领取专属 10元无门槛券
手把手带您无忧上云