Continuous approximation by convolutional neural networks with a sigmoidal function
Nanchang University(南昌大学)
在本文中,我们提出了一类卷积神经网络(CNN)称为非重叠CNN的逼近能力的研究。我们证明了这样的网络与sigmoidal激活函数是能够逼近任意连续函数定义在紧凑的输入集与任何所需的精度。这一结果推广了现有的结果,只有多层前馈网络是一类逼近器。评估阐明了我们结果的准确性和效率,并表明所提出的非重叠CNN对噪声不太敏感。
2022-09-27 cs.LG cs.NA math.NA
Generalizing Convolutional Neural Networks for Equivariance to Lie Groups on Arbitrary Continuous Data
New York University(纽约大学)
卷积层的平移等方差使卷积神经网络能够很好地概括图像问题。虽然平移等方差为图像提供了强大的归纳偏差,但我们通常还希望对其他变换(例如旋转)进行等方差,特别是对于非图像数据。我们提出了一种通用的方法来构造一个卷积层,该卷积层与任何具有满射指数映射的指定李群的变换是等变的。将等方差扩展到新组需要仅实现组指数和对数映射,从而实现快速原型化。展示我们的方法的简单性和通用性,我们将相同的模型架构的图像,球和棒的分子数据,和哈密顿动力系统。对于哈密顿系统,我们的模型的等变性特别有影响力,导致线性和角动量的精确守恒。
2020-09-24 cs.LG stat.ML
Deep Parametric Continuous Convolutional Neural Networks
University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学);Uber Advanced Technologies Group(优步先进技术集团)
标准的卷积神经网络假设网格结构的输入是可用的,并利用离散卷积作为其基本构建块。这限制了它们对许多现实世界应用的适用性。在本文中,我们提出了参数连续卷积,一个新的可学习的运营商,在非网格结构的数据。其关键思想是利用参数化的核函数,跨越整个连续向量空间。这种泛化允许我们学习任意的数据结构,只要它们的支持关系是可计算的。我们的实验表明,显着改善了国家的最先进的点云分割的室内和室外场景,激光雷达运动估计的驾驶场景。
2021-01-17 cs.AI cs.CV cs.LG
Convolutional Neural Networks for Reflective Event Detection and Characterization in Fiber Optical Links Given Noisy OTDR Signals
ADVA Optical Networking SE(ADVA光网络公司);Kiel University(基尔大学)
快速、准确地检测和定位光缆故障对保证光网络的生存性和可靠性至关重要。因此,迫切需要开发一种自动和可靠的算法,用于利用由光时域反射仪(OTDR)仪器获得的遥测数据进行实时光纤故障检测和诊断。在本文中,我们提出了一种新的基于卷积神经网络(CNN)的数据驱动的方法来检测和表征的光纤反射故障给定的噪声模拟OTDR数据,其SNR(信噪比)值从0 dB到30 dB变化,结合反射事件模式。在我们的模拟中,我们实现了更高的检测能力,低误报率和更大的定位精度,即使在低信噪比值相比,传统的技术。
2022-03-19 cs.LG eess.SP
A Continuous Convolutional Trainable Filter for Modelling Unstructured Data
SISSA(国际高等研究院);University of Urbino Carlo Bo(卡洛·博乌尔比诺大学)
本文提出一种连续版本的可训练卷积滤波器,使 CNN 能处理非结构化数据,实验表明其精度可与离散滤波器相媲美,并可作为构建模块用于非结构化域问题。
2023-05-25 cs.LG cs.NA math.NA
Quaternion Convolutional Neural Networks for Detection and Localization of 3D Sound Events
Sapienza University of Rome(罗马第一大学)
从四元数域中的数据学习使我们能够利用4D信号的内部依赖性,并将它们视为单个实体。其中一个非常适合四元数数据处理的模型是用三维声信号的球谐分解来表示的。在本文中,我们解决的问题,定位和检测的声音事件在空间声场中使用四元数值数据处理。特别是,我们认为一阶立体混响麦克风捕获的信号的球谐分量,并通过使用四元数卷积神经网络处理它们。实验结果表明,该方法利用了立体混响信号的相关性,从而提高了3D声音事件检测和定位的准确性。
2018-12-17 cs.LG cs.SD eess.AS
Trajectory Prediction using Equivariant Continuous Convolution
Northeastern University(东北大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
轨迹预测是许多人工智能应用的关键部分,例如自动驾驶汽车的安全操作。然而,目前的方法容易做出不一致和物理上不切实际的预测。我们利用流体动力学的见解,通过考虑现实世界中的轨迹内部对称性来克服这一限制。我们提出了一种新的模型,等变连续卷积(ECCO)改进的轨迹预测。ECCO使用旋转等变连续卷积来嵌入系统的对称性。在车辆和行人轨迹数据集上,ECCO以显著更少的参数获得了具有竞争力的精度。它也是更有效的样本,从任何方向的几个数据点自动概括。最后,ECCO通过等方差改进了泛化,从而产生了物理上更一致的预测。我们的方法为增加深度学习模型的信任和透明度提供了一个新的视角。
2021-03-17 cs.AI cs.LG cs.RO
From Discrete to Continuous Convolution Layers
The Weizmann Institute of Science(魏茨曼科学研究所)
卷积神经网络(CNN)中的基本操作是特征图的空间重构。这可以通过步幅卷积(downscaling)或转置卷积(upscaling)来完成。这样的操作限于以预定整数步长(步幅)移动的固定滤波器。连续层的空间大小通过在架构设计时预定的整数比例因子相关,并且在整个训练和推理时间内保持固定。我们提出了一个通用的Conv层,从离散层到连续卷积(CC)层。CC层通过将过滤器表示为子像素坐标上的学习连续函数来自然扩展Conv层。这允许可学习的和有原则的特征映射,以任何大小,动态和一致的跨尺度。一旦经过训练,CC层就可以用于输出在推理时选择的任何尺度/大小。比例可以是非整数,并且在轴之间不同。CC为架构设计带来了新的自由度,例如推理时的动态层形状,或渐进式架构,其中每层的大小都有很小的变化。这产生了许多期望的CNN属性、新的架构设计能力和有用的应用。我们进一步表明,目前的Conv层遭受固有的错位,这是改善CC层。
2020-06-19 cs.CV cs.LG stat.ML
Combining Recurrent, Convolutional, and Continuous-time Models with Linear State-Space Layers
Stanford University(斯坦福大学);University at Buffalo, SUNY(纽约州立大学布法罗分校)
递归神经网络(RNN)、时间卷积和神经微分方程(NDE)是用于时间序列数据的深度学习模型的流行家族,每种模型在建模能力和计算效率方面都具有独特的优势和权衡。我们引入了一个简单的序列模型的灵感控制系统,概括这些方法,同时解决其缺点。线性状态空间层(LSSL)通过简单地模拟线性连续时间状态空间表示$\dot{x} = Ax + Bu, y = Cx + Du$来映射序列$u \mapsto y$。理论上,我们表明,LSSL模型是密切相关的上述三个家庭的模型,并继承他们的优势。例如,他们将卷积推广到连续时间,解释常见的RNN算法,并分享NDE的特征,如时间尺度适应。然后,我们结合和推广最近的连续时间记忆理论,引入一个可训练的结构矩阵子集$A$,赋予LSSL与长程记忆。从经验上讲,将LSSL层堆叠到一个简单的深度神经网络中,可以在序列图像分类、现实世界的医疗回归任务和语音中获得跨时间序列基准的最新结果。在长度为16000个序列的困难语音分类任务中,LSSL的性能比以前的方法高出24个准确点,甚至比在100倍短序列上使用手工制作的特征的基线更好。
2021-10-26 cs.AI cs.LG
Scalable and Equivariant Spherical CNNs by Discrete-Continuous (DISCO) Convolutions
Kagenova Limited(Kagenova有限公司);University College London (UCL)(伦敦大学学院)
没有现有的球形卷积神经网络(CNN)框架是计算可扩展的和旋转等变的。连续的方法捕获旋转等方差,但往往是令人望而却步的计算要求。离散方法提供了更有利的计算性能,但以等方差为代价。我们开发了一种混合离散连续(DISCO)组卷积,同时是等变的和计算可扩展到高分辨率。虽然我们的框架可以应用于任何紧凑的组,我们专门的领域。我们的DISCO球卷积表现出$\text{SO}(3)$旋转等方差性,其中$\text{SO}(n)$是表示$n$维中旋转的特殊正交群。当限制旋转的卷积的商空间$\text{SO}(3)/\text{SO}(2)$进一步的计算增强,我们恢复一种形式的渐近$\text{SO}(3)$旋转等方差。通过一个稀疏张量实现,我们实现了线性缩放的计算成本和内存使用的球体上的像素数量。对于4k球面图像,我们实现了节省$10^9$的计算成本和$10^4$的内存使用相比,最有效的替代等变球面卷积。我们将DISCO球面CNN框架应用于球面上的一些基准密集预测问题,例如语义分割和深度估计,在所有这些问题上,我们都达到了最先进的性能。
2023-01-28 astro-ph.IM cs.CV cs.LG
Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse Submanifold Convolutional Neural Networks
Harvard University(哈佛大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
提出稀疏子流形卷积神经网络(SSCNN)解决中微子望远镜数据稀疏性与高维度问题,重建性能优于传统算法且GPU速度提升16倍,可处理IceCube规模触发级事件率。
2023-08-01 astro-ph.IM cs.LG hep-ex
Conv2Warp: An unsupervised deformable image registration with continuous convolution and warping
University of Oxford(牛津大学);Institute of Biomedical Engineering(生物医学工程研究所)
最近基于深度学习的可变形图像配准(Deformable Image Registration,简称形变配准)方法的成功已经证明,与传统方法相比,可以直接从数据中学习复杂形变,同时减少计算时间。然而,对全线性卷积层的依赖强加了对像素/体素位置的均匀采样,这最终限制了它们的性能。为了解决这个问题,我们提出了一种学习源图像连续变形的新方法。在这里,所需的变形矢量场从级联的线性和非线性卷积层和可学习的双三次Catmull-Rom样条重采样器获得。与仅使用线性卷积和线性重建相比,这允许计算平滑变形场和更准确的对准。此外,连续扭曲技术惩罚由于拓扑变化引起的不一致。我们的实验表明,这种方法设法捕捉大的非线性变形,并尽量减少插值误差的传播。在提高精度的同时,该方法计算效率高。我们提出了一系列公共4D CT肺(POPI)和脑数据集(PDC 12,MGH 10)的比较结果。
2019-08-16 cs.CV cs.LG eess.IV
Sound Event Detection with Depthwise Separable and Dilated Convolutions
Tampere University(坦佩雷大学);Fraunhofer-IDMT(弗劳恩霍夫数字媒体技术研究所);South China University of Technology(华南理工大学)
现有技术的声音事件检测(SED)方法通常采用一系列卷积神经网络(CNN)来从输入音频信号中提取有用的特征,然后采用递归神经网络(RNN)来对所提取的特征中的较长时间上下文进行建模。CNN的通道数量和RNN的权重矩阵的大小对SED方法的参数总量有直接影响,其数量达到数百万。此外,通常用作SED方法输入的长序列以及RNN的使用,引入了诸如增加训练时间、梯度流困难以及阻碍SED方法并行化的影响。为了解决所有这些问题,我们提出用dependently可分离卷积替换CNN,用dilated卷积替换RNN。我们比较了所提出的方法的基线卷积神经网络上的SED任务,并实现了减少的参数量的85%和平均训练时间每历元的78%,并增加了平均帧的F1分数和减少的平均出错率分别为4.6%和3.8%。
2020-02-02 cs.LG cs.SD eess.AS
Sound Event Detection in Multichannel Audio using Convolutional Time-Frequency-Channel Squeeze and Excitation
Microsoft Research(微软研究院)
在这项研究中,我们引入了一个卷积时频信道“挤压和激励”(tfc-SE)模块,以显式地对时频域和多个信道之间的相互依赖性进行建模。tfc-SE模块由两部分组成:tf-SE块和c-SE块,分别用于提供时频域和信道域的关注,用于自适应地重新校准输入特征图。所提出的tfc-SE模块以及流行的卷积递归神经网络(CRNN)模型在具有重叠音频源的多通道声音事件检测任务中进行了评估:训练和测试数据是用麦克风阵列记录的合成TUT Sound Events 2018数据集。我们表明,TFC-SE模块可以被纳入CRNN模型在一个小的额外的计算成本,并带来显着的改善声音事件检测精度。我们还通过分析可能影响SE块性能的各种因素进行详细的消融研究。结果表明,使用最佳tfc-SE块,错误率(ER)从0.2538降低到0.2026,ER相对降低20.17%,F1得分提高5.72%。结果表明,学习的声学嵌入与tfc-SE模块有效地加强时频和通道的特征表示,以提高区分性能。
2019-08-04 cs.LG cs.SD eess.AS
A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data
Marche Polytechnic University(马尔凯理工大学);University of Macerata(马切拉塔大学)
针对ATM事件日志数据故障预测的特征提取挑战,提出基于卷积核(MiniROCKET和HYDRA)与线性分类器的混合预测模型,实验证明其优于现有方法并已集成至决策支持系统。
2023-05-17 cs.AI cs.LG
Variational Inference of Joint Models using Multivariate Gaussian Convolution Processes
University of Michigan(密歇根大学)
提出基于多元高斯卷积过程和Cox模型的非参数预后框架,通过变分推断同时估计参数,降低计算复杂度并防止过拟合,在合成与真实数据上优于两阶段推断方法。
2019-03-09 cs.LG stat.ML
FluidFormer: Transformer with Continuous Convolution for Particle-based Fluid Simulation
FluidFormer提出首个结合连续卷积与自注意力的流体注意力块,通过局部-全局层次融合,实现稳定、长程的粒子流体模拟,性能达到最先进水平。
2025-08-03 cs.CE cs.GR cs.LG
FlexConv: Continuous Kernel Convolutions with Differentiable Kernel Sizes
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Delft University of Technology(代尔夫特理工大学);University of Amsterdam(阿姆斯特丹大学)
在设计卷积神经网络(CNN)时,必须在训练之前选择卷积核的大小\break。最近的工作表明,CNN受益于不同层的不同内核大小,但探索所有可能的组合在实践中是不可行的。一种更有效的方法是在训练过程中学习内核大小。然而,现有的工程,学习内核大小有一个有限的带宽。这些方法通过膨胀来缩放内核,因此它们可以描述的细节是有限的。在这项工作中,我们提出了FlexConv,这是一种新的卷积操作,可以以固定的参数成本学习具有可学习内核大小的高带宽卷积内核。FlexNets在不使用池的情况下对长期依赖关系进行建模,在多个连续数据集上实现最先进的性能,在学习内核大小的情况下优于最近的工作,并且在图像基准数据集上与更深入的ResNets竞争。此外,FlexNet可以以比培训期间看到的更高的分辨率进行部署。为了避免混叠,我们提出了一种新的内核参数化的内核的频率可以分析控制。我们的新的内核参数化表现出更高的描述能力和更快的收敛速度比现有的参数化。这导致分类精度的重要改进。
2022-03-17 cs.CV cs.LG
End-to-End Polyphonic Sound Event Detection Using Convolutional Recurrent Neural Networks with Learned Time-Frequency Representation Input
Tampere University of Technology(坦佩雷理工大学)
声音事件检测系统通常由两个阶段组成:从原始音频波形中提取手工制作的特征,以及使用分类器学习这些特征与目标声音事件之间的映射。近来,声音事件检测研究的焦点已经大部分转移到使用诸如mel频谱图的标准特征作为诸如深度神经网络的分类器的输入的后一阶段。在这项工作中,我们利用端到端的方法,并建议将这两个阶段结合在一个单一的深度神经网络分类器。原始波形上的特征提取由前馈层块进行,其参数被初始化以提取时频表示。在训练期间更新特征提取参数,从而产生针对特定任务优化的表示。这个特征提取块之后是一个卷积递归网络(并与之联合训练),该网络最近在许多声音识别任务中给出了最先进的结果。所提出的系统并没有优于具有固定手工特征的卷积递归网络。特征提取块参数的最终幅度谱特性表明,对于给定任务最相关的信息包含在0 - 3 kHz频率范围内,并且这也得到了SED性能的经验结果的支持。
2018-05-09 cs.LG cs.SD eess.AS
Convolutional neural network for earthquake detection
本文复现Perol等人提出的ConvNetQuake卷积神经网络方法,用于从含噪地震记录中分类地震事件与噪声,以解决低震级地震易被漏检的问题。
2023-04-17 cs.LG physics.geo-ph
Real-Time Stress Detection via Photoplethysmogram Signals: Implementation of a Combined Continuous Wavelet Transform and Convolutional Neural Network on Resource-Constrained Microcontrollers
University of Tehran(德黑兰大学);Kettering University(凯特林大学)
本文提出将CWT与CNN结合用于腕部PPG信号压力检测,并通过剪枝和训练后量化在仅有2 MB Flash、512 KB RAM的微控制器上实现实时部署。
2024-10-14 cs.LG eess.SP
Event-based Asynchronous Sparse Convolutional Networks
ETH Zurich(苏黎世联邦理工学院)
事件相机是生物启发的传感器,以异步和稀疏的“事件”形式响应每像素的亮度变化。最近,通过将事件转换成同步密集的、类似图像的表示并应用为标准相机开发的传统机器学习方法,模式识别算法(诸如基于学习的方法)在事件相机方面取得了重大进展。然而,这些方法以更高的计算复杂性和延迟为代价丢弃了事件数据中固有的空间和时间稀疏性。在这项工作中,我们提出了一个通用框架,用于将在同步图像事件表示上训练的模型转换为具有相同输出的异步模型,从而直接利用事件数据的固有异步和稀疏特性。我们从理论和实验上表明,这大大降低了计算复杂性和高容量,同步神经网络的延迟,而不牺牲准确性。此外,我们的框架有几个理想的特点:(i)它明确利用事件的时空稀疏性,(ii)它是不可知的事件表示,网络架构和任务,(iii)它不需要任何训练时间的变化,因为它是与标准的神经网络的训练过程兼容。我们彻底验证了两个计算机视觉任务:目标检测和目标识别的建议框架。在这些任务中,我们将计算复杂性降低到高延迟神经网络的20倍。与此同时,我们在预测准确性方面优于最先进的异步方法,高达24%。
2020-07-17 cs.CV cs.LG eess.SP
Convolutional Filtering on Sampled Manifolds
University of Pennsylvania(宾夕法尼亚大学);Simons-Berkeley Institute(西蒙斯-伯克利研究所)
几何数据的可用性日益提高,激发了对非欧几里德域流形建模的信息处理的需求。卷积滤波是信息处理体系结构中具有理想的理论特性(如不变性和稳定性)的构建块。流形卷积滤波器是从流形扩散序列定义的,通过将Laplace-Beltrami算子连续应用于流形信号来构造。然而,连续流形模型只能通过采样离散点并从采样流形构建近似图模型来访问。流形上的有效线性信息处理需要量化当用图卷积逼近流形卷积时所引起的误差。在本文中,我们推导出这种近似的非渐近误差界,表明采样流形上的卷积滤波收敛到连续流形滤波。我们的研究结果进一步证明了经验上的导航控制的问题。
2022-11-20 cs.LG eess.SP
Ultra-low Latency Spiking Neural Networks with Spatio-Temporal Compression and Synaptic Convolutional Block
Xidian University(西安电子科技大学);Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院)
脉冲神经网络(Spiking neural networks,SNNs)作为一种脑启发模型,具有时空信息处理能力、低功耗和高生物相容性等特点。有效的时空特征使其适用于事件流分类。然而,神经形态数据集,如N-MNIST,CIFAR 10-DVS,DVS 128-gesture,需要将单个事件聚合到具有新的更高时间分辨率的帧中以用于事件流分类,这导致高训练和推理延迟。在这项工作中,我们提出了一种时空压缩的方法来聚合单个事件到几个时间步长的突触电流,以减少训练和推理延迟。为了在高压缩比下保持SNN的准确性,我们还提出了一种突触卷积块来平衡相邻时间步长之间的剧烈变化。并引入了具有可学习膜时间常数的多阈值漏积分触发(Leaky Integrate-and-Fire,LIF)算法,以提高其信息处理能力。我们评估所提出的方法的神经形态N-MNIST,CIFAR 10-DVS,DVS 128手势数据集的事件流分类任务。实验结果表明,我们提出的方法优于国家的最先进的精度几乎所有的数据集,使用更少的时间步长。
2022-03-18 cs.CV cs.LG cs.NE
Deformable Convolutions and LSTM-based Flexible Event Frame Fusion Network for Motion Deblurring
Huawei Technologies Oy (Finland) Co. Ltd(华为技术(芬兰)有限公司)
针对事件帧数量固定导致时间分辨率下降且难适应动态曝光的问题,本文提出基于 LSTM 事件特征提取与可变形卷积的 DLEFNet,支持灵活数量事件帧融合,并在合成与真实数据集上优于现有方法。
2023-06-01 cs.AI cs.CV cs.LG
Guided Learning Convolution System for DCASE 2019 Task 4
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
在本文中,我们详细描述了我们提交给DCASE 2019任务4的系统:家庭环境中的声音事件检测(SED)。我们采用一个带有嵌入级注意力池模块的卷积神经网络(CNN)来解决这个问题,通过考虑非平衡数据集中多个事件共现造成的干扰,利用解纠缠特征来提高模型的性能。为了利用未标记的数据,我们采用引导学习进行半监督学习。在模型输出概率的后处理中,采用了一组窗口大小自适应的中值滤波器。我们还分析了合成数据对模型性能的影响,最终在验证集上实现了45.43%的基于事件的F-度量,在测试集上实现了42.7%的基于事件的F-度量。与其他参与者相比,我们提交的挑战系统实现了最佳性能。
2019-09-11 cs.LG cs.SD eess.AS
Robust and Interpretable Temporal Convolution Network for Event Detection in Lung Sound Recordings
Queensland University of Technology(昆士兰科技大学);M3DICINE Pty Ltd(M3DICINE私人有限公司)
本文提出了一种新的肺声音事件检测框架,将连续的肺音记录分割成离散的事件,并对每个事件进行识别。利用时间卷积网络(TCN)的轻量级性质和其优越的结果相比,他们经常性的同行,我们提出了一个轻量级的,但强大的,完全可解释的框架肺声音事件检测。我们提出了使用多分支TCN架构,并利用一种新的融合策略,结合这些分支的结果功能。这不仅允许网络在不同的时间粒度上保留最显著的信息,并忽略不相关的信息,还允许我们的网络处理任意长度的记录。结果如下:所提出的方法进行了评估,在多个公共和内部基准的不规则和嘈杂的呼吸听诊过程中的录音,识别众多的听诊事件,包括吸气,呼气,爆裂音,喘息,喘鸣,和干。我们在所有评估中都超过了最先进的结果。此外,我们实证分析所提出的多分支TCN架构和特征融合策略的效果,并提供定量和定性的评价,以说明其效率。此外,我们提供了一个端到端的模型解释管道,解释所提出的框架的所有组件的操作。我们对不同特征融合策略的分析表明,所提出的特征拼接方法可以更好地抑制非信息特征,从而大大减少分类器开销,从而形成一个强大的轻量级网络。我们模型的轻量级性质使其能够部署在智能手机等终端用户设备中,并且能够实时生成预测。
2021-06-30 cs.LG cs.SD eess.AS
CERiL: Continuous Event-based Reinforcement Learning
University of Surrey(萨里大学)
本文探讨了事件摄像机的潜力,使连续时间强化学习。我们正式这个问题,其中一个连续的流的非同步观测是用来产生相应的输出动作的环境流。这种同步的缺乏使得反应性大大增强。我们提出了一种方法来训练事件流来自标准的强化学习环境,从而解决了建议的连续时间强化学习问题。CERiL算法使用专门的网络层,直接对事件流进行操作,而不是将事件聚合到量化的图像帧中。我们展示了事件流在不太频繁的RGB图像上的优势。所提出的系统优于RL中通常使用的网络,甚至在传统上无法解决的任务上也取得了成功。我们还证明了我们的CERiL方法的价值超过标准SNN基线使用事件流。
2023-02-15 cs.AI cs.CV cs.LG
Heavy Hitters and Bernoulli Convolutions
Salesforce/Demandware
本文提出了一种简单的事件频率近似算法,该算法对事件时效性敏感。算法通过迭代更新类别点击分布,在标准n维单纯形上生成随机游走路径。在某些条件下,这种随机游走具有自相似性,并对应于有偏伯努利卷积。算法评估自然地导致对有偏(有限和无限)伯努利卷积矩的估计。
2019-05-28 cs.LG cs.NA math.NA
Event-triggered Natural Hazard Monitoring with Convolutional Neural Networks on the Edge
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学)
在自然灾害预警系统中,快速决策对避免灾难至关重要。在无线传感器网络的边缘进行决策承诺快速的响应时间,但受限于能量的可用性、数据传输速度、处理和存储器约束。在这项工作中,我们提出了一种实现的无线传感器网络的危险监测的基础上的事件触发的单通道微震传感器阵列与先进的信号处理和表征能力的基础上,一种新的共同检测技术。一方面,我们利用超低功耗、阈值触发电路与按需数字信号采集相结合,能够在最重要的时候准确有效地提取相关信息,从而在无法观察到任何信息时不会浪费宝贵的资源。另一方面,我们利用在低功耗、现成的微控制器上实现的基于机器学习的分类来避免误报警告,并主动识别危险区域中的人类。通过对卷积神经网络的推理进行量化和流水线处理,大大提高了传感器的响应时间和存储要求。以这种方式,可以在低功率嵌入式设备上实时且按比例地执行不会在存储器受限设备上未经修改地运行的卷积神经网络。使用我们的系统在海拔3500 m的马特洪峰Hörnligrat的岩崩崖上进行了实地研究。自08/2018以来。
2019-03-01 cs.LG cs.NI stat.ML