来自MRI扫描的子皮质结构的分割对许多神经系统诊断感兴趣。由于这是一个艰苦的任务机器学习，并且特别深入学习（DL）方法已经探索。大脑的结构复杂性需要大型高质量的分段数据集，以开发基于DL的基于DL的解决方案，用于子皮质结构分割。为此，我们释放了一组114,1.5 Tesla，T1 MRI扫描，手动描绘为14个亚皮质结构。数据集中的扫描是从健康的年轻（21 - 30年）科目（58名男性和56名女性）中获得的，并且所有结构都是由经验丰富的放射学专家手动描绘的。已经使用该数据集进行了分割实验，结果表明，可以通过深学习方法获得准确的结果。
translated by 谷歌翻译
从示范中学习（LFD）方法使最终用户能够通过演示所需的行为来教机器人新任务，从而使对机器人技术的访问民主化。但是，当前的LFD框架无法快速适应异质的人类示范，也无法在无处不在的机器人技术应用中进行大规模部署。在本文中，我们提出了一个新型的LFD框架，快速的终身自适应逆增强学习（FLAIR）。我们的方法（1）利用策略来构建政策混合物，以快速适应新的示范，从而快速最终用户个性化； （2）提炼跨示范的常识，实现准确的任务推断； （3）仅在终身部署中需要扩展其模型，并保持一套简洁的原型策略，这些策略可以通过政策混合物近似所有行为。我们从经验上验证了能力可以实现适应能力（即机器人适应异质性，特定用户特定的任务偏好），效率（即机器人实现样本适应性）和可伸缩性（即，模型都会与示范范围增长，同时保持高性能）。 Flair超过了三个连续控制任务的基准测试，其政策收益的平均提高了57％，使用策略混合物进行示范建模所需的次数少78％。最后，我们在现实机器人乒乓球任务中展示了Flair的成功。
translated by 谷歌翻译
快速领域适应的能力对于增加增强学习（RL）对现实世界问题的适用性很重要。RL代理的概括对于在现实世界中的成功至关重要，但是零射击政策转移是一个具有挑战性的问题，因为即使是轻微的视觉变化也可能使训练有素的代理在新任务中完全失败。我们提出了USRA：在数据增强下的统一状态表示学习，这是一个代表学习框架，通过对其观察结果进行数据增强来学习潜在的统一状态表示，以提高其推广到看不见的目标域的能力。我们在Walker环境中展示了我们的方法在DeepMind控制概括基准上的成功，并发现USRA可实现更高的样本效率，而与最佳基线结果相比，USRA可以提高样品效率和14.3％的适应性性能。
translated by 谷歌翻译
对自然语言任务的预磨削变压器模型（PTMS）的广泛适用性得到了很好的展示，但它们理解短语短语的能力不太探讨。为此，我们从横跨5个特征的面向任务对话框中链接的无监督实体镜头评估不同的PTMS - 句法，语义，短语，数字和语音。我们的结果表明，与传统技术相比，几种PTM产生了亚映射结果，尽管对其他神经基线具有竞争力。我们发现，通过使用PTMS微调的文本相似性任务可以解决一些缺点，这说明了理解语义和句法对应的能力，以及实体的短语，数字和语音变化的一些改进提到。我们进行定性分析，以了解他们预测中的细微差别，并讨论进一步改进的范围。可以在https://github.com/murali1996/el_tod找到代码
translated by 谷歌翻译
在过去十年中，全球各地的犯罪活动飙升。据印度警察局介绍，车辆盗窃是最不解决的犯罪之一，近19％的录制案件涉及机动车盗窃。为了克服这些对手，我们提出了一个实时车辆监控系统，它使用CCTV视频饲料检测和跟踪可疑车辆。所提出的系统提取车辆的各种属性，例如制作，模型，颜色，牌照号码和牌照的类型。采用各种图像处理和深度学习算法来满足所提出的系统的目标。提取的特征可用作报告违法行为的证据。虽然系统使用更多参数，但它仍然能够以最小的延迟和精度丢失进行实时预测。
translated by 谷歌翻译