在沒有災(zāi)難性遺忘的情況下，實現(xiàn)深度強化學(xué)習(xí)的偽排練

在沒有災(zāi)難性遺忘的情況下，實現(xiàn)深度強化學(xué)習(xí)的偽排練

該新模型集成了偽排練，深度生成模型和雙重內(nèi)存方案，從而實現(xiàn)了一種高效的方法，即使任務(wù)數(shù)量增加，也不需要額外的存儲要求。通過迭代，該模型學(xué)習(xí)了三個Atari游戲，并在這三個游戲中保持了高于人類水平的表現(xiàn)，高效程度不亞于經(jīng)過單獨訓(xùn)練的一組網(wǎng)絡(luò)。

所有這些都是在不訪問以前的任務(wù)數(shù)據(jù)的情況下實現(xiàn)的。與現(xiàn)有的深度增強任務(wù)算法相比，新模型已經(jīng)表明它們不會像傳統(tǒng)的模型一樣忘記之前的任務(wù)。

潛在應(yīng)用與效果

研究人員和人工智能社區(qū)可以利用新模型進一步改進研究工作，并將模型應(yīng)用于前沿的電子游戲、自動駕駛汽車和機器人中。如果有足夠大的網(wǎng)絡(luò)，也許會誕生能處理多種任務(wù)的機器人特工。

原文：

https://arxiv.org/abs/1812.02464v2

雙注意網(wǎng)絡(luò)（DAN）用于改進視覺參考分辨率

最近，研究人員通過提出DAN增強了視覺參考分辨率，為解決視覺參考分辨率問題奠定了基礎(chǔ)。DAN實現(xiàn)了兩種類型的關(guān)注網(wǎng)絡(luò)，包括REFER和FIND。REFER專門用于通過自我關(guān)注方法來學(xué)習(xí)查詢和對話歷史之間的關(guān)系。

相反，F(xiàn)IND采用圖像特征和參考感知表示輸入（REFER模塊的輸出），并通過實施自下而上的注意技術(shù)實現(xiàn)視覺接地。在VisDial v1.0和v0.9數(shù)據(jù)集上對DAN的定量和定性評估表明，它在很大程度上優(yōu)于現(xiàn)有的可視對話模型。

潛在應(yīng)用與效果

AI社區(qū)可以使用DAN來實現(xiàn)各種視覺對話任務(wù)的視覺參考分辨率，比如協(xié)作對話系統(tǒng)。因為它不依賴于之前的視覺注意力圖，所以DAN可以通過實施REFER組件來解決不清晰的視覺效果，并使用FIND模型組件對可視圖像進行地面解析參考。

原文：

https://arxiv.org/abs/1902.09368v1

用于增強邊緣檢測的動態(tài)特征融合（DFF）方法

來自中國的研究人員通過提出一種新的動態(tài)特征融合（DFF）策略來管理動態(tài)特征融合，該策略為不同的圖像和位置分配不同的融合權(quán)重。DFF包括兩個模塊，特征提取器和自適應(yīng)權(quán)重融合組件。該模型通過實施權(quán)重模型來實現(xiàn)動態(tài)特征融合，從而能夠針對輸入特征圖中的每一單個位置推斷多級特征上的適當(dāng)融合權(quán)重。

在對標(biāo)準(zhǔn)基準(zhǔn)數(shù)據(jù)集（如Cityscapes和SBD）進行實驗后，DFF證明了它可以通過更精確地定位對象邊緣和抑制不重要的邊緣響應(yīng)來大大提高模型性能。

潛在應(yīng)用與效果

語義邊緣檢測旨在聯(lián)合提取邊緣及其類別信息，以實現(xiàn)領(lǐng)域中的高端應(yīng)用，包括語義分割，對象識別等。DFF是第一個旨在學(xué)習(xí)自適應(yīng)融合權(quán)重的研究工作，它以輸入數(shù)據(jù)為條件，在SED研究中融合多層次特征，以促進和實現(xiàn)SED任務(wù)的最新技術(shù)。通過考慮高級和低級主干特征映射，可以改善位置自適應(yīng)權(quán)重學(xué)習(xí)器。

原文：

https://arxiv.org/abs/1902.09104v1

用于自動駕駛的離線和在線角落案例檢測框架

這項新研究定義了角落案例檢測，并提出了一個框架，可以處理來自移動車輛的前置攝像頭的視頻信號，并為在線和離線用例生成角落案例分?jǐn)?shù)。根據(jù)該系統(tǒng)框架背后的研究人員所說，角落案例檢測系統(tǒng)可用作備用警告系統(tǒng)，以提供有關(guān)自動駕駛系統(tǒng)的異常場景的信息。另外，關(guān)于離線模式，角落情況檢測框架可用于分析大量視頻數(shù)據(jù)以返回異常數(shù)據(jù)。

角落案例檢測框架針對Cityscapes數(shù)據(jù)集的分段和圖像預(yù)測進行了訓(xùn)練，該數(shù)據(jù)集包含來自50個城市的各種街道圖像。

潛在應(yīng)用與效果

自動駕駛汽車研究人員和工程師可以實施角落案例框架，為自動駕駛系統(tǒng)開發(fā)更集中的訓(xùn)練，因為它有助于解決代表性不足的關(guān)鍵訓(xùn)練數(shù)據(jù)問題。該系統(tǒng)還有助于選擇用于存儲和（重新）訓(xùn)練AI模型的相關(guān)場景。

此外，此次提出的角落案例檢測框架對于實現(xiàn)運動檢測，圖像注冊，視頻跟蹤，圖像鑲嵌，3D建模，全景拼接，對象識別等方面的進一步開發(fā)是有效的。

原文：

https://arxiv.org/abs/1902.09184v1

車輛相遇情況的數(shù)據(jù)集生成器

訓(xùn)練數(shù)據(jù)的缺乏大大減緩了自動駕駛技術(shù)的發(fā)展速度。而近日發(fā)布的一種模擬模型，通過提供大量數(shù)據(jù)和資源，從而幫助工程師實現(xiàn)有效的自動車輛開發(fā)測試，正逐步消除這一限制。

多車輛軌跡生成器（MTG）可以將多車輛場景（駕駛相遇數(shù)據(jù)）編碼成可用于產(chǎn)生新的高質(zhì)量駕駛相遇數(shù)據(jù)的刻度表達。這種發(fā)生器模型包括雙向變分自動編碼器和多分支解碼器兩大部分。

該研究還提出了一種新的解開度量指標(biāo)，該指標(biāo)具有綜合分析模擬出的軌跡及駕駛場景模型穩(wěn)健度的可能性。與現(xiàn)有的VAE和infoGAN模型相比，這種新型生成器模型在生成高質(zhì)量的駕駛場景信息方面更占優(yōu)勢。

潛在應(yīng)用與效果

多車輛軌跡生成器是自動駕駛開發(fā)中的一大進步。不僅是自動駕駛技術(shù)能因此獲益而加速發(fā)展，這一方法同樣可以擴展到有類似數(shù)據(jù)短缺問題的深度學(xué)習(xí)其他研究領(lǐng)域。

原文：

https://arxiv.org/abs/1809.05680v5

用于高分辨率人體姿態(tài)估計的高分辨率網(wǎng)絡(luò)（HRNet）

與以串聯(lián)方式連接子網(wǎng)絡(luò)的傳統(tǒng)方法不同，新的HRNet方法以并聯(lián)方式連接高分辨率子網(wǎng)絡(luò)，從而可以保持高分辨率，并實現(xiàn)準(zhǔn)確的關(guān)鍵點預(yù)測。此外，許多現(xiàn)有的融合型方案結(jié)合了低級和高級表示，而HRNet執(zhí)行重復(fù)的多尺度融合以增強高分辨率表示，這對于高質(zhì)量的姿態(tài)估計是必不可少的。

在COCO關(guān)鍵點檢測和MPII人類姿勢數(shù)據(jù)集中進行的實驗表明，HRNet較于傳統(tǒng)方式更加有效。此外，HRNet在PoseTrack數(shù)據(jù)集上進行測試上也表現(xiàn)出了在姿勢跟蹤方面的優(yōu)勢。所有模型和代碼均可在此鏈接上公開獲取。

潛在應(yīng)用與效果

研究人員和開發(fā)人員可以將HRNet應(yīng)用于高級對象檢測，動態(tài)識別，語義分割，人機交互（HCI），虛擬現(xiàn)實，增強現(xiàn)實，人臉識別及比對，圖像識別及分類，翻譯以及其他依賴跟蹤和識別人類活動而實現(xiàn)服務(wù)的應(yīng)用，例如Amazon Go。我很期待有一天我的智能手機可以告訴我我的舉重姿勢是否正確。

原文：

https://arxiv.org/abs/1902.09212v1

用于圖像復(fù)刻的深度強化學(xué)習(xí)方法（DRLIH）

DRLIH是第一個從深度強化學(xué)習(xí)角度去解決圖像復(fù)刻挑戰(zhàn)的研究項目。

這種深度學(xué)習(xí)網(wǎng)絡(luò)包括特征表示網(wǎng)絡(luò)和策略網(wǎng)絡(luò)。策略網(wǎng)絡(luò)利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）作為代理，按時間順序?qū)D像投影為二進制代碼。

這樣的網(wǎng)絡(luò)設(shè)計有助于生成圖像并將其投影到復(fù)刻代碼1中，并計算復(fù)刻代碼0的概率。研究人員還提出了一種順序?qū)W習(xí)策略，通過糾正先前函數(shù)的錯誤來提高檢索準(zhǔn)確性，從而學(xué)習(xí)復(fù)刻函數(shù)。DRLIH方法已經(jīng)在三個標(biāo)準(zhǔn)數(shù)據(jù)集上進行了測試，結(jié)果證明它比傳統(tǒng)圖像復(fù)刻方法有效。

潛在應(yīng)用與效果

DRLIH 技術(shù)可以準(zhǔn)確地表示，索引，檢索和自動識別圖像。通過查詢圖像是否為原始圖像的構(gòu)造或副本，它可用于圖像有效性的驗證。DRLIH還可用于本地存儲或緩存的有效性驗證，防止照片重新傳輸或重復(fù)存儲，以及目前通過水印實現(xiàn)的版權(quán)保護等。

原文：

https://arxiv.org/abs/1802.02904v2

語境嵌入改進臨床概念提取

新的研究提出了一種處理這一長期挑戰(zhàn)的新方法。研究人員評估了各種嵌入方法，包括word2vec，GloVe fastText，ELMo和BERT。他們還進行了涵蓋四個臨床概念語料庫的分析，以證明上述每種技術(shù)的普遍性。

更重要的是，他們使用大型臨床語料庫開發(fā)預(yù)訓(xùn)練的情境化嵌入，并將性能與預(yù)訓(xùn)練模型進行了比較。

最后，他們的論文詳述了與開放領(lǐng)域語料庫相比，預(yù)訓(xùn)練對臨床語料庫影響的詳細分析，并總結(jié)報告了臨床概念提取的性能提升：該提取在所有測試語料庫中實現(xiàn)了最先進的結(jié)果。研究結(jié)果顯示出語境嵌入在臨床文本語料庫中的優(yōu)勢，其在各類任務(wù)的完成上都優(yōu)于傳統(tǒng)模型。

潛在應(yīng)用與效果

對于臨床概念提取，上下文嵌入有大幅度改善自動文本處理的潛力。

此外，它還使研究人員對臨床文本的訪問更加無障礙，從而進一步推動該領(lǐng)域的信息管理和非結(jié)構(gòu)化臨床文本的數(shù)據(jù)挖掘。