地标提取算法对基于地标的目标识别效果的评估
本文提出了一种在线目标识别混合方法,结合了符号规划和数据驱动方法, 并在真实世界的烹饪场景中进行了评估,研究结果表明,与现有技术相比该方法在计算时间上更高效,同时也提高了目标识别的性能。另外,论文也证明了该方法适用于真实世界的场景。
Jan, 2023
通过定义一种新的 “相关性评分” 来帮助识别出在大多数但并非所有计划中出现的事实或行动,我们研究了对地标概念的扩展。我们描述了一种计算此相关性评分并将其用作计划搜索中的启发式的方法。通过使用基准计划问题实验比较我们方法与现有的基于地标启发式计划方法的性能。尽管基于地标的启发式在具有明确定义地标的问题上的性能更好,但我们的方法显著提高了缺乏重要地标的问题的性能。
Mar, 2024
本文提出一种新的方法,在规划中利用排序约束来指导搜索,使用工具扩展 Koehler 和 Hoffmann 的合理顺序,找到 Landmarks 并将规划任务分解为多个子任务从而提高运行时间性能。
Jun, 2011
综述了面部关键点检测算法的发展历程,将其分为三种不同的分类方法:全局方法、约束局部模型方法和回归方法,并对其进行了分类讨论,比较了它们在受不同因素影响下的性能表现。此外,还列举了面部关键点检测的基准数据库和现有软件,并指出了未来的研究方向。
May, 2018
探讨如何在全自动化的情况下,通过图片聚类,用户提供的标签以及建立高效的识别索引,对地标建筑和物体进行识别。通过对 500k 张巴黎图片数据集的分析,我们评估了不同的识别结果和方法的系统性能,以及他们对建筑、绘画或雕塑等不同类型的查询所产生的影响。
Sep, 2014
LAMA 是一个基于启发式正向搜索的经典规划系统,利用里程碑派生的伪启发式是其核心特征,结合具备成本敏感性的两种启发式可以面对具有非均匀成本的动作,迭代加权 A * 搜索可持续提高搜索质量并表现出与使用里程碑有协同效应;LAMA 在国际计划竞赛 2008 的顺序满足赛道表现最佳,但它的启发式评估中融入动作成本并不具优势,导致在某些情况下,不考虑成本的搜索方法更加成功,这引出了今后应如何更有效地处理行动成本的问题。
Jan, 2014
本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务,利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法,通过模型预测图片上的等变地标来提高地标定位,本文在两个玩具数据集和四个实际数据集上进行实验,包括手和脸部, 并在只有 5%标记图像的条件下,跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。
Sep, 2017
通过知识蒸馏方法,本研究提出了一种创新的方式,可以开发适用于嵌入式系统的轻量级但功能强大的深度学习模型,以应对面部地标检测任务中的挑战,包括动态环境、不同的表情、方向和光照条件。
Apr, 2024