Nov, 2023

深度学习实时神经解码握握动作

PDF
TL;DR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。
neural decodingdeep learninglstm networksgrasp type classificationclassification accuracy
发现论文，激发创造
  • 使用深度卷积神经网络解码和可视化人类观察者的脑电图信号中的机器人动作成功签名

    研究深度卷积神经网络在配合 EEG 信号用于识别人机交互中的机器人错误检测时的准确率，表明深度卷积神经网络是一种可靠的 EEG 解码技术工具。

    Nov, 2017

  • 深度卷积神经网络实现机器人抓取检测

    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

  • 多物体、多抓取实时检测

    本文提出了一种深度学习架构，用于预测机器人操作的适合抓取的位置，通过使用 RGB-D 图像输入的深度神经网络实现对单个或多个对象的多个抓取候选项的预测，实验表明该方法在 Cornell 数据集上表现优于其他方法，在掌握实验中也获得了不错的成功率。

    Feb, 2018

  • 机械臂多目标抓取安全高效检测方法

    本文基于深度学习和边缘云协作提出了机械臂抓取方法，并考虑了抓取效率和信息安全。使用 GAN 训练的编码器和解码器实现了图像加密压缩，同时保护了隐私安全，在 OCID 数据集上实现了 92% 的准确率、0.03% 的图像压缩比和 0.91 的结构差异度。

    Sep, 2022

  • 使用深度学习进行动态自然视觉的神经编码和解码

    研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

    Aug, 2016

  • 深度学习用于机器人抓取检测

    运用深度学习方法解决机器人抓取问题，通过多模态组规则化结构化正则化权重来处理多模态输入，实现了比之前最先进方法更好的效果，可成功在两个不同的机器人平台上执行抓取。

    Jan, 2013

  • 使用卷积神经网络进行实时抓取检测

    本文介绍了一种基于卷积神经网络的准确、实时的机器人抓取检测方法，该网络可以在单个阶段内执行分类并查找一个优质的抓取矩形，并使用局部约束机制预测每个对象的多重抓取，比现有方法高 14 个百分点性能更好，尤其是对于可以用不同方式抓取的物体。

    Dec, 2014

  • 从单次演示中学习抓取

    本文提出了一种基于单一演示的机器学习方法 GraspNet，其使用卷积神经网络来检测物体并进行抓取，在实验中使用 Franka Panda cobot，在数百次的训练迭代中训练 GraspNet，能够更加快速地进行精细调整。

    Jun, 2018

  • 深度表示学习用于开放词汇的脑电图到文本解码

    使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

    Nov, 2023

  • 通过知识蒸馏和潜在扩散模型从脑电图解码视觉大脑表示

    本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

    Sep, 2023