UBC、谷歌联合Hinton等提出3D点云的无监督胶囊网络,多任务上实现SOTA | AI日报...

多任务上实现SOTA,UBC、谷歌联合Hinton等提出3D点云的无监督胶囊网络

理解对象是计算机视觉的核心问题之一。传统方法而言,理解对象任务可以依赖于大型带注释的数据集,而无监督方法已经消除了对标签的需求。近来,研究人员试图将这些方法扩展到 3D 点云问题上,但无监督 3D 学习领域却进展寥寥。

近日,包括 Weiwei Sun、Andrea Tagliasacchi、Geoffrey Hinton 等来自英属哥伦比亚大学、谷歌研究院、多伦多大学的研究者提出了用于 3D 点云的无监督胶囊网络。Hinton 对此表示:在不受监督的情况下找到一个对象的自然组件以及这些组件的内在参照系是学习将解析图像转换为局部整体层级结构的重要一步。如果以点云开始,则可以做到。

UBC、谷歌联合Hinton等提出3D点云的无监督胶囊网络,多任务上实现SOTA | AI日报..._第1张图片

具体而言,研究者通过排列等变(permutation-equivariant)的注意力计算对象的胶囊分解,并通过训练成对的随机旋转对象来自监督该过程。本研究的核心思想是将注意力掩模聚合为语义关键点,并使用它们来监督满足胶囊不变性或等方差的分解。这不仅可以训练语义上一致的分解,还能够学习以对象为中心的推理的规范化操作。在这种情况下,既不需要分类标签,也不需要手动对齐的训练数据集进行训练。

最后,通过以无监督的方式学习以对象为中心的表征,该方法在 3D 点云重构、配准和无监督分类方面优于 SOTA 方法。研究者表示将很快公布源代码和数据集。

论文链接:https://arxiv.org/abs/2012.04718 项目主页:https://canonical-capsules.github.io/

中国版波士顿动力,Science 子刊封面:机器狗「绝影」陌生环境中摸爬滚打

近日,由浙江大学科研团队设计的「绝影」登上了最新一期 Science Robotics 杂志封面。2020 年 12 月 9 日,「绝影」相关论文正式发表于 Science Robotics,题为 Multi-expert learning of adaptive legged locomotion(适应性腿部运动的多专家学习)。

研究团队表示:理解和创造适应性运动,是机器人领域长期以来的一个科研主题。自然,机器人要想实现多种运动,需要具备能够适应前所未见的情况的运动技能。

论文介绍,在无法预料的环境下,机器人很可能出现运动故障——通常,机器人失去平衡的一秒内便会摔倒,防止其跌倒的时间范围约为 0.2-0.5 秒,在这短短的区间内,要协调不同的运动模式,从而减轻其受到的干扰,防止故障或从故障中恢复。

下图 展示了「绝影」在测试中遇到的三种具有挑战性的场景,或是机身意外碰到了地面,或是直接翻车。

UBC、谷歌联合Hinton等提出3D点云的无监督胶囊网络,多任务上实现SOTA | AI日报..._第2张图片

亚马逊旗下Zoox公司发布首款无人驾驶的Robotaxi

近日,亚马逊旗下Zoox公司发布了第一款完全无人驾驶的Robotaxi。这款看起来萌萌的小车专攻城市客运,已经达到了「L4级无人驾驶,并且取消驾驶舱」。而且这个项目不光只有样车,目前已经在旧金山、拉斯维加斯路测。

UBC、谷歌联合Hinton等提出3D点云的无监督胶囊网络,多任务上实现SOTA | AI日报..._第3张图片

与Waymo、Crusie改装量产车的方案不同,Robotaxi 重新设计了一款全新的运载平台,前装各种传感器。车辆本身由133千瓦时电池供电,最大设计时速为75英里/小时(120公里/小时),但它的工作场景是城市密集区(dence urban),低速、短距工况为主,完全充满电后可以连续工作16小时左右。

感知方面,车身「方盒子」的四个角各自安装了一个传感器舱,其中包括激光雷达、摄像头和毫米波雷达。此外,还有一对前置摄像头位于车辆顶部,其他不太明显的传感器安装在两侧。每个传感器吊舱都有270度的视野,这使车辆的完全感知范围超过了360度。

该车型为紧凑型轿车,专为密集的城市环境设计。车辆内部看起来像传统马车,有两排座椅,乘客相对而坐;内部没有方向盘;车辆长度不足12 英尺(约3.7米)。该车辆是首批可以双向行驶的四轮无人驾驶车辆,更便于操作,最高时速为75英里(约120公里)

官方宣传中还特别强调,这款车是唯一一个通过美国FMVSS碰撞测试的前装量产无人车。碰撞发生时,每一个座位的乘客都会被安全气囊有效包裹。

Nature公布“2020年度10项最重大发现”,“用AI和卫星进行树木观测”上榜

Nature近日公布了“2020年度10项最重大发现”,其中和AI密切相关的一项是来自丹麦哥本哈根大学和NASA的Brandt等人组成的研究团队,利用卫星和AI图像分析技术精确定位了一大片西非土地上的每个树冠。

下一步,也许就是「全球树木普查」了。

我们对陆地生态系统的定义,很大程度上取决于在上面生长的木本植物。如果能掌握这些植被结构的信息,人类才能更好地了解全球生态、生物地理环境。

当前,大部分卫星数据的空间分辨率欠佳。一张图像像素对应的土地面积最小也是100m²,这样就让研究人员要多干很多活儿。比如在观测的同时,还要测量综合性质,像树冠覆盖度,这是从顶部往下看,被树冠遮盖的景观比例。为此,研究人员要分析超过1.1万张分辨率为0.5米级别的图像,然而手动完成这件事情,显然不现实。

因此,这个团队借助人工智能完成了这项工作。

基于树木的特征,让AI在更大的图像中识别它们,训练数据同样采用卫星图像。研究人员最终得到了整个毛里塔尼亚南部、塞内加尔、马斯里南部地区所有直径大于两米的树木地图,清晰展示了将来在亚米级尺度上绘制全球树冠地图的潜力。


点击左下角“阅读原文”,查看社区原文!

你可能感兴趣的:(人工智能,机器学习,计算机视觉,深度学习,java)