Jun, 2024

GFPack++：学习梯度场与注意力提高二维不规则装箱

PDF
TL;DRGFPack++ 是一个基于注意力机制梯度场学习方法，可以有效地进行 2D 不规则装箱优化，获得更高的空间利用率，支持连续旋转，并拥有较快的运算速度和对任意边界的良好泛化能力。
2d irregular packingcombinatorial optimizationlearning-based methodsgradient field learningspace utilization
发现论文，激发创造
  • 学习渐变场以实现可扩展且可泛化的不规则装箱

    用机器学习的条件生成建模方法解决装箱问题，通过学习空间关系和约束满足之间的相关性最小化资源浪费并避免重叠。

    Oct, 2023

  • 基于学习的二维非规则形状装箱

    用于计算机图形学中，我们介绍了一种学习辅助的二维不规则形状装箱方法，通过选择和分组 UV 贴片的子集来实现高装箱质量，并利用深度神经策略线性时间扩展以处理大规模的问题实例。

    Sep, 2023

  • 不平衡大图学习框架用于 FPGA 逻辑元件装配预测

    本研究提出了一个基于不平衡大图学习框架的预测方法，用于预测 FPGA 布局放置后的逻辑元素是否会被打包，实验结果表明与最新的基于高斯的预测方法相比，该方法可以提高 F1 得分 42.82％。物理设计结果显示该方法能够在提高布线长度 0.93％和 SLICE 占用 0.89％方面帮助布局器。

    Aug, 2023

  • 神经打包：从视觉感知到强化学习

    我们提出了一个新的学习框架来解决 3D 中的运输和装箱问题，其中的技术核心是使用强化学习训练的神经网络，通过 RGBD 感知和识别，机器人运动规划，来实现在目标容器中进行紧密的装箱。

    Oct, 2023

  • GAFlow：将高斯注意力融入光流

    本文通过将高斯注意力引入光流模型，以强调表示学习过程中的局部特性并在匹配过程中强制实施运动相关性，提出了一种全新的高斯约束层（GCL）和高斯引导注意模块（GGAM）。GAFlow 网络是一个完整的模型，将这些高斯基于模块自然地融入传统的光流框架中，用于可靠的运动分析。在标准光流数据集上进行的广泛实验一致证明了所提方法在泛化能力评估和在线基准测试方面的优异性能。

    Sep, 2023

  • TarGF: 学习目标梯度场以无需显式目标规定重新排列物体

    本文提出一种目标渐变场（TarGF）方法，通过对于目标分布的有限数量解释，实现物体重排无需明确目标要求的任务。该方法能够显著提升终止状态的质量、控制过程的效率和可伸缩性，与现有的方法相比具有很大的优势。

    Sep, 2022

  • PackIt: 几何规划的虚拟环境

    介绍了一个名为 PackIt 的虚拟环境，用于评估和学习几何规划的能力，其中代理需要采取一系列行动将一组物体装入有限空间的箱子中，并研究了多种基准和优化方法，包括无模型的基于学习和基于启发式的方法，以及基于搜索的优化方法。

    Jul, 2020

  • 无参数空间注意力网络用于人员再识别

    本研究提出了一种新的参数 - free 的空间注意力层来建模高层特征之间的空间关系，该层相比于没有该层的模型有显著的性能改进，并在四个基准测试中实现了最先进的结果，其中 Market-1501 的 rank-1 准确度为 94.7％，DukeMTMC-ReID 的 rank-1 准确度为 89.0％，CUHK03-labeled 和 CUHK03-detected 的 rank-1 准确度分别为 74.9％和 69.7％。

    Nov, 2018

  • 用于复杂、新颖物体的稠密填充的卷积占空模型

    通过与现有规划方法结合，我们提出了一种全卷积形状补全模型（F-CON），可以在现实世界中实现密集堆放。我们还发布了一个模拟数据集（COB-3D-v2），用于训练真实世界机器人应用的形状补全模型，并使用它证明 F-CON 超过其他最先进的形状补全方法。最后，我们将 F-CON 应用于实际的拾取放置系统，并展示了在混乱的场景中对复杂、未知物体的密集堆放。在多种规划方法下，F-CON 实现了比其他形状补全方法更好的密集堆放效果。

    Jul, 2023

  • 基于行列式点过程的注意力在网格编码中支持分布外泛化

    通过探索哺乳动物大脑中的 grid codes 母题点过程，提出了一种由 DPP-A 驱动的关注机制，并以此实现了有趣的泛化能力，这同时提出了一种方法来改善人工神经网络的自举能力。

    May, 2023