- AAAI符号数值计划与模式
提出了一种名为符号模式规划的解决线性数值规划问题的新方法,通过将规划问题编码为使用较少变量和 / 或子句的公式,以寻找给定边界下与现有编码方法相比无法找到有效计划的计划。实验证明,我们的规划器在国际规划竞赛(IPC)今年的问题上具有显著良好 - 自主驾驶中基于动作序列的关键情景探索
该论文提出了一种基于强化学习和 ECSAS 框架的描述语言 BTScenario 的关键操作参数搜索方法,以提高危急情景生成的效率,并在多种复杂情景中证明了其优越性。
- ECCV结构感知的人体动作生成
提出了一种利用自注意机制自适应稀疏化完整动作图的 GCN 变体,以捕捉动作序列中的结构信息,在两个标准人类动作数据集上显示了优越性。
- AAAI通过学习平滑的潜在转换学习多样化的随机人形动作生成器
本文提出了一种基于骨架的动作生成方法,采用潜在动作序列的低维潜在空间来构建平滑多样的状态转移模型,并在逐帧解码器的支持下生成动作序列,在生成多样性方面表现优异,同时在同一模型中实现了动作序列分类。
- 面向对象的前向建模在模型预测控制中的应用
该论文提出了一种基于物体的前向模型学习方法,用于规划动作序列以实现远程期望目标,并通过随机交互数据来学习行为效果。实验结果表明,该方法具有更高的采样效率和准确性,可以优化闭环执行。
- 为修改模型决策综合行动序列
该研究通过程序综合的方式,结合测试中的敌对攻击和特定领域的操作序列,构建可行的、最简便的操作序列,以帮助人们改变分类结果,实验表明该方法对于深度神经网络具有较好的效果。
- CVPR一种用于随机点过程的变分自编码模型
提出了一个名为 APP-VAE 的概率生成模型,使用潜在表达和非线性函数来描述操作序列中的可能性分布,通过在 MultiTHUMOS 和 Breakfast 数据集上的实证验证,证明了 APP-VAE 在建模操作序列方面的有效性。
- 基于深度强化学习从文本中提取动作序列
本文运用基于深度强化学习的 Q-networks 模型,以自然语言文本为基础,从中无限制提取行动序列,通过在线实验与现有技术进行比较,证明了本方法的有效性。
- AAAI使用贝叶斯非参数子目标模型建模人类对复杂故意行为的理解
本文模拟了人类如何通过观察复杂动作序列来推断子目标,结合非参数贝叶斯模型进行了行为实验,证明了该模型在推断人类子目标方面的高准确性和较好的效果,同时还模拟了使用子目标学习和推断在人工用户辅助任务中如何提高性能。