本文介绍了将事件流转化成基于网格的表示的通用框架,其具有两个主要优势:(i)允许端到端学习输入事件表示,(ii)提供了一个统一记录大多数事件表示的分类法,并识别出新的事件表示方法。通过实验证明,我们的端到端学习事件表示的方法相对于现有技术方法,在光流估计和目标识别上都有约 12%的改进。
Apr, 2019
本研究介绍了一种名为 CERL 的可扩展框架,其中包含一组策略,这些策略同时探索和利用解决方案空间的不同区域,并使用神经进化将这个过程绑定在一起,从而生成一个超越任何个体学习器的单个新兴学习器。实验表明,这个新兴学习器在连续控制基准测试中优于其复合学习器,并保持整体更高的采样效率。
May, 2019
研究使用成熟的计算机视觉技术对从事件数据中重建的视频进行对象分类和图像重建,从而充分发挥事件相机的优异特性。
该论文提出了 E-CIR 技术,可以通过利用事件结构对模糊图像进行去模糊处理,生成更真实和平滑的结果。
Mar, 2022
本文提出一种全面的端到端视频视觉跟踪方法,利用循环卷积神经网络代理与视频进行交互,并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能,实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。
Jan, 2017
本文提出了一种使用循环网络从事件流中直接学习重建图像的方法,并在此基础上扩展到从事件流合成彩色图像的方法,实验证明该网络在处理高速现象和挑战性照明条件下具有较好的图像质量和高动态范围重建,并作为事件数据的中间表示进行了分类和视觉惯性积分导航等应用。
Jun, 2019
介绍了一种基于 ASP 的、能够通过权重规则进行概率推理的复杂事件识别系统,可应用于活动识别等领域,并与多种现有算法进行了比较,并证明了其在效率和预测性能方面的优越性。
Mar, 2021
开发了一种基于有选择性经验重播的终身深度强化学习框架 SERIL,用于在不断变化的医学成像环境中持续学习新的任务,用于定位脑 MRI 中的五个解剖标志,相比于两个基线设置,取得了卓越的表现。
May, 2023
本文提出基于 CIRL 和 DDPG 的深度强化学习方法能够在高保真车辆模拟器中,仅基于视觉输入实现驾驶任务,并相较于监督式模仿学习表现更优,特别地,文章为多控制信号专门设计自适应策略和奖励方案,并基于编码技术引导驾驶代理人在一定限制空间内探索,相较以往方法在 CARLA 数据集实验中显著提高了成功率。
Jul, 2018
在深度强化学习(DRL)的训练过程中,面对训练量和模型复杂度的增加,如何提高数据利用和 DRL 训练的解释性仍然是一个具有挑战性的问题。本文通过关注时间序列中的时间维度内的时间相关性来解决这些挑战,并提出了一种将多变量时间序列分割为有意义子序列并基于这些子序列表示时间序列的新方法。此外,利用子序列进行因果推断来识别对训练结果有重要影响的基本因果因素,并设计了一个模块在 DRL 训练过程中提供因果反馈。多个实验证明了我们方法在常见环境中的可行性,证实了其增强 DRL 训练有效性以及在训练过程中提供一定程度的解释性的能力。此外,我们通过优先级经验回放算法扩展了我们的方法,并实验证实了方法的持续有效性。
May, 2024