在本文中，我们开发了一种强大的3D服装数字化解决方案，可以在现实世界时尚目录图像上概括用布纹理遮挡和大体姿势变化。我们假设已知类型的服装类型的固定拓扑参数模板网格模型（例如，T恤，裤子），并从输入目录图像执行高质量纹理的映射到与衣服的参数网格模型相对应的UV映射面板。我们通过首先预测服装边界的稀疏2D地标。随后，我们使用这些地标在UV地图面板上执行基于薄板样条的纹理传输。随后，我们使用深度纹理修复网络来填充TPS输出中的大孔（由于查看变化和自闭电），以产生一致的UV映射。此外，为了培训监督的地标预测和纹理修复任务，我们产生了一大组合成数据，其具有不同于各种姿势的各种视图的不同纹理和照明。此外，我们手动注释了一小组时尚目录图像从在线时尚电子商务平台到Finetune。我们开展彻底的经验评估，并在时尚目录图像上显示我们所提出的3D服装纹理解决方案的令人印象深刻的定性结果。这种3D服装数字化有助于我们解决启用3D虚拟试验的具有挑战性的任务。
translated by 谷歌翻译
日志分析是工程师用来解决大规模软件系统故障的主要技术之一。在过去的几十年中，已经提出了许多日志分析方法来检测日志反映的系统异常。他们通常将日志事件计数或顺序日志事件作为输入，并利用机器学习算法，包括深度学习模型来检测系统异常。这些异常通常被确定为对数序列中对数事件的定量关系模式或顺序模式的违反。但是，现有方法无法利用日志事件之间的空间结构关系，从而导致潜在的错误警报和不稳定的性能。在这项研究中，我们提出了一种新型的基于图的对数异常检测方法loggd，以通过将日志序列转换为图来有效解决问题。我们利用了图形变压器神经网络的强大功能，该网络结合了图结构和基于日志异常检测的节点语义。我们在四个广泛使用的公共日志数据集上评估了建议的方法。实验结果表明，Loggd可以胜过最先进的基于定量和基于序列的方法，并在不同的窗口大小设置下实现稳定的性能。结果证实LOGGD在基于对数的异常检测中有效。
translated by 谷歌翻译
当前的无人机交付解决方案主要专注于使用一台无人机交付单包交付。但是，无人机技术的最新发展使无人机能够在一次旅行中提供多个包裹。我们使用最近的目的地第一策略来更快地在Skyway网络中交付包装。该演示是在Skyway网络之后在Urban空域中多包交付的概念验证原型。我们使用悉尼CBD的3D模型在室内测试台环境中部署和测试该多包无人机交付。演示：https：//youtu.be/ytwsifuvwpc
translated by 谷歌翻译
我们为在Skyway网络中的基于无人机的多包交付提供了一种新颖的面向服务的建筑。拟议的体系结构为在城市中部署Skyway网络提供了高级设计，以有效地提供无人机服务。我们提出了一种基于图的启发式词，以减少Skyway网络中最佳服务选择的搜索空间。然后，我们在一组约束下使用选定的无人机服务找到最佳解决方案。我们进行实验以证明我们提出的方法的效率。
translated by 谷歌翻译
服务交付设定为体验一个主要的范式转变，并在无人机技术中加上客户的快速进步，加上客户的较高期望和增加的竞争。我们提出了一种新颖的面向服务的方法，以使无人机运行的Skyway网络中的包装中无处不在地传送。我们讨论了基于服务的无人机交付的福利，框架和建筑，当代方法，开放的挑战和未来视力方向。
translated by 谷歌翻译