基于深度学习的地形分类和地面机器人滑动估计
通过深度学习框架从机器人运动数据映射到单个技能级别,提出了一种无需特征工程或精心调整手势细分,即可成功解码技能信息的模型,并能在 1-3 秒窗口内可靠地解释技能,突出了深度架构在现代外科培训中高效在线技能评估的潜力。
Jun, 2018
本研究提出了一种基于 Transformer 机制的新型循环神经网络单元,该单元能够利用序列传感器录音中的时空相关性,并跟踪对象编码,以获取场景动态和回归速度,并根据提取的速度估计将循环神经网络的内存状态进行投影,以解决空间和时间不对齐的问题。
Jun, 2023
本论文提出了一种新颖的机器人抓取检测系统,该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置,取得了 89.21%的准确率和实时的运行速度,重新定义了机器人抓取检测的技术水平。
Nov, 2016
本文研究利用低成本车载摄像头进行自主驾驶算法,并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型,提出了一种结合空间和时间线索的模型,有助于解释学习到的模型,通过分析人类驾驶数据,比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。
Aug, 2017
该论文提出了一种基于认知系统的深度网络模型,以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战,并通过使用空间关系的接地和递增式的学习,以及基于非单调逻辑推理和基础常识域知识的决策,实现对场景中物品遮挡和稳定性的推理,通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。
Jan, 2022
该研究论文采用深度学习技术,基于猴子运动皮层的神经记录数据,通过利用 LSTM 网络对神经信号进行解码以实现物体抓取类型分类,取得了显著的分类准确率提升,并比较了该方法与其他先前方法的表现。
Nov, 2023
本研究提出了一种新的深度学习方法来检测网络入侵,运用了卷积神经网络 (CNN) 模块、长短时记忆 (LSTM) 模块和支持向量机 (SVM) 分类器,结果表明与传统机器学习方法和其他深度学习方法相比,这种方法更加有效。
Jun, 2023
本研究探讨了卷积神经网络和全连接神经网络在语音隐写分析中的应用,结果表明相较于传统的 Rich Models(RM)集成分类器(EC)方法,如果 CNN 和 FNN 被很好的参数化,其结果更胜一筹,演示了在 clairvoyant 场景下,CNN 和 FNN 相较于 RM 与 EC 的分类错误率降低 16%以上,并且在封面 - 源不匹配情况下表现自然而强大。
Nov, 2015
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态,并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习,通过评估精度和召回率等指标来确定哪种方法最适合此问题。
Jul, 2023
该研究提出了一种基于 C-LSTM 的全面可训练的人工神经网络模型,用于根据前置摄像头数据流和关联的车辆转向角度学习驾驶的视觉和动态时间依赖关系。同时,将转向角度回归问题作为分类问题,并在输出层神经元之间施加一定的空间关系,从而通过学习编码转向角度的正弦函数的方法来进行转向预测,该方法在公开数据集 Comma.ai 上验证,相较于现有方法,平均根均方误差提升了 35%,转向更为稳定。
Oct, 2017