亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

題目： A Survey of Deep Learning Applications to Autonomous Vehicle Control

摘要：

為自動駕駛車輛設計一個能夠在所有駕駛場景中提供足夠性能的控制器是一個挑戰，因為它的環境非常復雜，而且無法在部署后可能遇到的各種場景中測試系統。然而，深度學習方法已經顯示出巨大的潛力，不僅為復雜的非線性控制問題提供了出色的性能，而且還可以將以前學習的規則推廣到新的場景中。基于這些原因，在車輛控制中使用深度學習變得越來越流行。雖然在這一領域取得了重要的進展，但這些工作尚未得到全面總結。本文調查了文獻報道的廣泛的研究工作，旨在通過深度學習的方法來控制車輛。雖然控制和感知之間存在重疊，但本文的重點是車輛控制，而不是更廣泛的感知問題，包括語義分割和目標檢測等任務。本文通過比較分析，明確了現有深度學習方法的優勢和局限性，并從計算、體系結構選擇、目標規范、泛化、驗證和驗證以及安全性等方面探討了研究的挑戰。總的來說，這項調查為智能交通系統相關的一個快速發展的領域帶來了及時和熱門的信息。

作者：

Sampo Kuutti是薩里大學汽車工程中心碩士研究生，研究興趣是機器學習，強化學習，自動車輛。

Richard Bowden是英國薩里大學計算機視覺和機器學習教授，在倫敦大學獲得計算機科學學士學位，利茲大學獲得理學碩士學位，布魯內爾大學獲得計算機視覺博士學位。Richard Bowden教授領導視覺、語言和信號處理中心的認知視覺小組，他的研究中心是利用計算機視覺來定位、跟蹤和理解人類。他是圖像和視覺計算、IEEE模式分析和機器智能的副主編，是英國機器視覺協會(BMVA)執行委員會的成員。

題目： A Survey on Distributed Machine Learning

簡介： 在過去十年中，對人工智能的需求已顯著增長，并且這種增長得益于機器學習技術的進步以及利用硬件加速的能力，但是，為了提高預測質量并在復雜的應用程序中提供可行的機器學習解決方案，需要大量的訓練數據。盡管小型機器學習模型可以使用一定數量的數據進行訓練，但用于訓練較大模型（例如神經網絡）的輸入與參數數量成指數增長。由于處理訓練數據的需求已經超過了計算機器的計算能力的增長，因此急需在多個機器之間分配機器學習工作量，并將集中式的精力分配到分配的系統上。這些分布式系統提出了新的挑戰，最重要的是訓練過程的科學并行化和相關模型的創建。本文通過概述傳統的（集中的）機器學習方法，探討了分布式機器學習的挑戰和機遇，從而對當前的最新技術進行了廣泛的概述，并對現有的技術進行研究。

題目： A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications 摘要： 圖形是一種重要的數據表示形式，它出現在現實世界的各種場景中。有效的圖形分析可以讓用戶更深入地了解數據背后的內容，從而有利于節點分類、節點推薦、鏈路預測等許多有用的應用。然而，大多數圖形分析方法都存在計算量大、空間開銷大的問題。圖嵌入是解決圖分析問題的有效途徑。它將圖形數據轉換為一個低維空間，其中圖形結構信息和圖形屬性被最大程度地保留。在這項調查中，我們對圖嵌入的文獻進行了全面的回顧。本文首先介紹了圖嵌入的形式化定義及相關概念。之后，我們提出了兩個分類的圖形嵌入，對應于什么挑戰存在于不同的圖形嵌入問題設置，以及現有的工作如何解決這些挑戰，在他們的解決方案。最后，我們總結了圖形嵌入在計算效率、問題設置、技術和應用場景等方面的應用，并提出了四個有前途的研究方向。

作者簡介： Hongyun Cai，經驗豐富的研究人員，有在研究行業工作的經驗。精通計算機科學，C++，數據庫，Java和機器學習。昆士蘭大學計算機科學專業研究生，哲學博士。

Vincent W. Zheng,新加坡先進數字科學中心（ADSC）的研究科學家，也是伊利諾伊大學香檳分校協調科學實驗室的研究附屬機構。他目前領導著ADSC的大型社交項目。該項目旨在利用目前在我們的數字社會（即社交媒體）中普遍存在的巨大“人類傳感器”，并實現對此類數據的社會分析，從而建立一個以人為中心的網絡系統。他還對圖形表示學習、深度學習、自然語言處理、移動計算等領域感興趣，并在社交挖掘、文本挖掘、實際位置和活動識別、用戶分析、移動推薦、增強現實等方面有應用。

Kevin Chen-Chuan Chang是伊利諾伊大學香檳分校計算機科學教授，他領導了數據搜索、集成和挖掘的前沿數據實驗室。他在國立臺灣大學獲得理學學士學位，在斯坦福大學獲得電機工程博士學位。他的研究涉及大規模信息訪問，用于搜索、挖掘和跨結構化和非結構化大數據的集成，目前的重點是“以實體為中心”的Web搜索/挖掘和社交媒體分析。他在VLDB 2000年和2013年獲得了兩項最佳論文獎，2002年獲得了NSF職業獎，2003年獲得了NCSA院士獎，2004年和2005年獲得了IBM院士獎，2008年獲得了創業領導力學院院士獎，并在2001年、2004年、2005年、2006年、2010年和2011年獲得了伊利諾伊大學不完整的優秀教師名單。他熱衷于將研究成果帶到現實世界中，并與學生共同創辦了伊利諾伊大學（University of Illinois）的初創公司Cazoodle，致力于在網絡上深化垂直的“數據感知”搜索。

論文題目： A Survey of Deep Learning-based Object Detection

論文摘要： 目標檢測是計算機視覺中最重要和最具挑戰性的分支之一，它已廣泛應用于人們的生活中，例如監視安全性，自動駕駛等。隨著用于檢測任務的深度學習網絡的迅速發展，對象檢測器的性能得到了極大的提高。為了深入地了解目標檢測的主要發展狀況，在本次調查中，我們首先分析了現有典型檢測模型的方法并描述了基準數據集。之后，我們以系統的方式全面概述了各種目標檢測方法，涵蓋了一級和二級檢測器。此外，我們列出了傳統和新的應用程序。還分析了對象檢測的一些代表性分支。最后，我們討論了利用這些對象檢測方法來構建有效且高效的系統的體系結構，并指出了一組發展趨勢，以更好地遵循最新的算法和進一步的研究。

作者介紹： Licheng Jiao 1982年獲得中國上海交通大學博士學位，并分別于1984年和1990年獲得西安交通大學的博士學位。 1990年至1991年，他是西安電子科技大學雷達信號處理國家重點實驗室的博士后研究員。自1992年以來，焦博士一直是中國西安電子科技大學電子工程學院的教授，目前是電子工程學院的院長，也是智能感知與圖像理解重點實驗室的主任。 西安電子科技大學中國教育部 1992年，焦博士獲得了青年科學技術獎。 1996年，他獲得了中國教育部跨世紀專家基金的資助。 從1996年起，他被選為“中國第一級人才計劃”的成員。2006年，他被霍英東教育基金會授予高中青年教師獎一等獎。 從2006年起，他被選為陜西省特別貢獻專家。

論文題目： Imbalance Problems in Object Detection: A Review

論文摘要： 在本文中，我們對物體檢測中的不平衡問題進行了全面回顧。 為了系統地分析問題，我們引入了兩種分類法； 一個解決問題，另一個解決方案。 按照問題的分類法，我們深入討論每個問題，并對文獻中的解決方案提出一個統一而又批判性的觀點。 此外，我們確定了有關現有不平衡問題以及以前未討論過的不平衡問題的主要開放問題。 此外，為了使我們的評論保持最新，我們提供了一個隨附的網頁。

論文題目： Blockchain for Future Smart Grid: A Comprehensive Survey

論文摘要： 智能電網的概念已被引入，作為常規電網的新視野，以尋求一種整合綠色和可再生能源技術的有效方法。通過這種方式，連接互聯網的智能電網（也稱為能源互聯網）也正在作為一種創新的方法出現，以確保隨時隨地的能源供應。這些發展的最終目標是建立一個可持續發展的社會。但是，對于傳統的集中式網格系統而言，集成和協調大量不斷增長的連接可能是一個具有挑戰性的問題。因此，智能電網正在從其集中形式轉變為分散式拓撲。另一方面，區塊鏈具有一些出色的功能，使其成為智能電網范例的有前途的應用程序。本文旨在對區塊鏈在智能電網中的應用進行全面的調查。因此，我們確定了可以通過區塊鏈解決的智能電網場景的重大安全挑戰。然后，我們提出了許多基于區塊鏈的最新研究成果，這些研究成果發表在不同的文獻中，涉及智能電網領域的安全問題。我們還總結了最近出現的幾個相關的實用項目，試驗和產品。最后，我們討論了將區塊鏈應用于智能電網安全問題的基本研究挑戰和未來方向。

題目： A survey of deep learning techniques for autonomous driving

簡介： 本文目的是研究自動駕駛中深度學習技術的最新技術。首先介紹基于AI的自動駕駛架構、CNN和RNN、以及DRL范例。這些方法為駕駛場景感知、路徑規劃、行為決策和運動控制算法奠定基礎。該文研究深度學習方法構建的模塊化“感知-規劃-執行”流水線以及將傳感信息直接映射到轉向命令的端到端系統。此外，設計自動駕駛AI架構遇到的當前挑戰，如安全性、訓練數據源和計算硬件等也進行了討論。該工作有助于深入了解深度學習和自動駕駛AI方法的優越性和局限性，并協助系統的設計選擇。

題目： Understanding Deep Learning Techniques for Image Segmentation

簡介： 機器學習已被大量基于深度學習的方法所淹沒。各種類型的深度神經網絡（例如卷積神經網絡，遞歸網絡，對抗網絡，自動編碼器等）有效地解決了許多具有挑戰性的計算機視覺任務，例如在不受限制的環境中對對象進行檢測，定位，識別和分割。盡管有很多關于對象檢測或識別領域的分析研究，但相對于圖像分割技術，出現了許多新的深度學習技術。本文從分析的角度探討了圖像分割的各種深度學習技術。這項工作的主要目的是提供對圖像分割領域做出重大貢獻的主要技術的直觀理解。從一些傳統的圖像分割方法開始，本文進一步描述了深度學習對圖像分割域的影響。此后，大多數主要的分割算法已按照專用于其獨特貢獻的段落進行了邏輯分類。