深度学习平台支持 性能更好
然后，为了解决有限的地面实况数据，提出了一种基于不确定性的伪标签，使预训练模型适应新领域，其中提出了像素级和区域级不确定性估计来滤除高不确定性预测视差图的像素并生成稀疏而可靠的伪标签来对齐域间隙。 实验上，我们的方法表现出强大的跨域、适应和联合泛化能力，并在 年鲁棒视觉挑战赛的立体任务中获得第一名。此外，我们基于不确定性的伪标签可以扩展到在无监督的情况下训练单目深度估计网络方式，甚至达到与监督方法相当的性能。这项工作已被备受推崇的杂志接受发表。查看z 上的视频和 上的论文。 工地自主挖掘机地形可通行性测绘、导航和挖掘系统这项研究发表在 上，提出了一种地形可穿越性测绘和导航系统 用于非结构化环境中的自主挖掘机应用。我们有效地从图像和点云中提取地形特征，并将其合并到全球地图中以进行规 电话号码列表 划和导航。我们的系统可以适应不断变化的环境并实时更新地形信息。这项工作体现了计算机视觉和机器人技术的融合，为建筑行业开辟了新的途径。查看该工作。神经辐射场内基于变压器的对象定位本研究引入了一种基于的框架来提取场景中对象的边界框。
https://static.wixstatic.com/media/3a97ba_872891d096ca44ea9974c9e8c3b4ca52~mv2.jpg/v1/fill/w_739,h_413,al_c,lg_1,q_80,enc_auto/3a97ba_872891d096ca44ea9974c9e8c3b4ca52~mv2.jpg
将预先训练的模型和摄像机视图作为输入，生成带标签、定向的物体边界框作为输出。这项研究发表在机器人与自动化快报上。它在各种实际应用中的对象定位方面具有巨大的潜力。查看该工作 。 通过课程强化学习进行挖掘的目标抽样适应在国际智能机器人与系统会议上，百度研究院推出了 这是一种课程强化学习方法，可以学习机器人舀任务的有效且可泛化的策略。具体来说，我们使用目标因子奖励公式并插入位置目标分布和数量目标分布来创建整个学习过程的课程。
頁:
[1]