强化学习中的选项框架模拟了技能或时间延长的动作序列的概念。发现可重复使用的技能通常需要构建选项,导航到瓶颈状态。这项工作采用了一种互补的方法,我们试图找到导航到具有里程碑意义的国家的选择。这些状态是连接良好的区域的原型代表,因此可以相对容易地访问相关区域。在这项工作中,我们提出了Successor Options,它使用Successor Representations来构建状态空间大小单双倍投公式。使用新颖的伪奖励来学习这些选项策略,并且可以轻松地将大小单双倍投公式转换为高维空间。此外,我们还提出了一个在构造成功表示和构建选项之间迭代的增量后继选项大小单双倍投公式,当robustSuccessor表示不能仅仅从原始操作构建时,这很有用。我们展示了我们的方法对网格世界的集合以及Fetch的高维机器人控制环境的功效。
translated by 谷歌翻译
大小单双倍投公式 各种计算机视觉应用取决于所使用的图像匹配算法的效率。设计各种描述符以检测和匹配图像中的特征。在移动应用程序中部署此算法需要较少的计算时间。二进制描述符比基于浮点的描述符需要更少的计算时间,因为在创建二进制字符串之后,样本点对之间的强度比较和比较。为了减少时间复杂性,匹配的关键点的质量受到损害。我们提出了一个名为Morphological RetinaKeypoint Descriptor(MREAK)的关键点描述符,其灵感来自于人类学生的功能,它可以对光量进行响应和收缩。通过使用打开和关闭的形态学操作者并相应地修改视网膜采样模式,观察到精确匹配的关键点的数量的增加。我们的结果表明,匹配的关键点比FREAK描述符更有效,并且需要比SIFT,BRISK和SURF等各种描述符更低的计算时间。
translated by 谷歌翻译
图像到图像的翻译是一个长期存在且难以解决的计算机视觉问题。在本文中,我们提出了一种基于对抗的图像到图像转换大小单双倍投公式。常规的基于深度神经网络的方法通过比较语法矩阵和使用需要人为干预的图像分割来执行图像到图像的翻译任务。我们基于生成对话网络的大小单双倍投公式基于条件概率方法。这种方法使图像转换独立于任何局部,全局和内容或样式特征。在我们的方法中,我们使用附加了仿射变换因子的双向重构大小单双倍投公式,与其他大小单双倍投公式相比,它有助于保留内容和照片级真实感。使用这种方法的优点在于图像到图像的翻译是半监督的,独立于图像分割并且继承了生成逼真的生成对抗网络的特性。事实证明,这种方法比Multimodal UnsupervisedImage-to-image翻译产生更好的结果。
translated by 谷歌翻译
我们提出了一种利用深暹罗神经网络作为年龄对象相似度函数的新算法,结合贝叶斯优化(BO)框架来编码时空信息,以便在视频中进行有效的目标跟踪。特别是,我们将视频跟踪问题视为动态(即时间演变)优化问题。使用Gaussian Processpriors,我们建模一个动态目标函数,表示每个帧中atracked对象的位置。通过利用时间相关性,所提出的方法在统计上有原则和有效的方式中查询搜索空间,提供了超过当前最先进的视频跟踪方法的若干益处。
translated by 谷歌翻译
许多神经网络使用tanh激活函数,但是当给定概率分布作为输入时,尚未解决在具有tanh激活的神经网络中计算输出分布的问题。一个重要的例子是在储层计算中初始化回波状态网络,其中储层的随机初始化需要时间来清除初始条件,从而浪费宝贵的数据和计算资源。受此问题的启发,我们提出了一种利用基于矩的方法通过回声状态网络传播不确定性以减少冲刷时间的小说解决方案。在这项工作中,我们通过tanh激活函数提供两种方法来传播不确定性,并提出概率回波状态网络(PESN),这种方法被证明具有比确定性回声状态网络给出的随机初始化储层状态更好的平均性能。此外,我们测试了我们的方法在两个回归任务上的单步和多步不确定性传播,并显示我们能够恢复由蒙特卡罗模拟计算的类似均值和方差。
translated by 谷歌翻译