您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. CVPR-2018论文合集六

  2. CVPR-2018论文合集--SLAM DNN CNN 目标检测与目标识别 视频目标分割 图像分割 自然语言处理 自动驾驶
  3. 所属分类:深度学习

    • 发布日期:2018-07-13
    • 文件大小:157286400
    • 提供者:algofei
  1. CVPR-2018论文合集八

  2. CVPR-2018论文合集--SLAM DNN CNN 目标检测与目标识别 视频目标分割 图像分割 自然语言处理 自动驾驶
  3. 所属分类:深度学习

    • 发布日期:2018-07-13
    • 文件大小:117440512
    • 提供者:algofei
  1. MIT6.S094自动驾驶课程课件

  2. MIT6.S094自动驾驶课程课件,对自动驾驶感兴趣的可以下载学习,对于深度学习、强化学习的学习也有一定的帮助。
  3. 所属分类:深度学习

    • 发布日期:2018-10-10
    • 文件大小:35651584
    • 提供者:blexsantos
  1. deep learning state of the art(MIT深度学习各领域最新突破PPT)

  2. 这是MIT系列课程之一,有关深度学习最新进展的讲座。包括BERT、特斯拉自动驾驶仪硬件中的大规模神经网络、AdaNet、AutoAugment、BigGAN等12大类。 本文所介绍的内容是MIT系列课程之一,是有关深度学习最新进展的讲座。可以说,该课程的内容定义了这个领域的最前沿的技术。 课程提纲: BERT和自然语言处理 特斯拉自动驾驶仪硬件v2+:大规模神经网络 AdaNet:集成的AutoML AutoAugment:深度强化学习数据增强 用合成数据训练深度网络 使用Polygon-RN
  3. 所属分类:深度学习

    • 发布日期:2019-01-19
    • 文件大小:4194304
    • 提供者:hsh450633367hsh
  1. MIT 面向自动驾驶的深度强化学习课件

  2. MIT 面向自动驾驶的深度强化学习课件。这个课程是通过构建自动驾驶的应用为主题,来介绍深度学习的实践。它对初学者而言是开放的,专为那些刚接触机器学习的人而设计,但它也可以使该领域的高级研究人员能够深入了解深度学习方法及其应用。
  3. 所属分类:讲义

    • 发布日期:2019-02-22
    • 文件大小:29360128
    • 提供者:gloria_littlechi
  1. 最新《智能交通系统的深度强化学习》综述论文

  2. 最新的技术进步提高了交通运输的质量。新的数据驱动方法为所有基于控制的系统(如交通、机器人、物联网和电力系统)带来了新的研究方向。
  3. 所属分类:机器学习

    • 发布日期:2020-05-06
    • 文件大小:857088
    • 提供者:syp_net
  1. ml-training-camp-源码

  2. ML训练营:预测性表格数据挖掘和表格数据深度学习课程 介绍 目的 这是GeekBang培训平台提供的课程,分为三个系列之一,第二个课程是自然语言建模,第三个是计算版本和强化学习,强调自动驾驶。本课程的核心目的是介绍重要的机器学习。 课程资料更新 该课程每周安排一次,整个系列将花费大约一年的时间来完成三个系列的课程材料。贡献者主要来自MSRA,DeepMind,Facebook AI Research,清华大学,北京大学和阿姆斯特丹大学。 课程语言 不幸的是,最初的目标受众是中国人。因此,首先衍生
  3. 所属分类:其它

    • 发布日期:2021-03-19
    • 文件大小:48234496
    • 提供者:weixin_42122838
  1. University-Projects-源码

  2. 大学项目 这些是我在攻读硕士学位期间最喜欢做的一些最有趣的项目。 面向对象的程序设计和数据库项目 目标:使用MySQL创建一个虚构的数据库,并使用C ++创建一个与之交互的接口。 智能系统项目 目标:开发一种能够通过使用深度学习和强化学习策略(深度Q学习)自动驾驶赛车的代理。
  3. 所属分类:其它

    • 发布日期:2021-03-15
    • 文件大小:5242880
    • 提供者:weixin_42123237
  1. 人工智能如何辅助安全自动化、分析处理和响应

  2. 人工智能(AI)含义宽泛,从聊天机器人到自动驾驶汽车的很多东西都可以用这个词来描述。市场营销人员很喜欢赶时髦,乘着这股东风推销产品。这篇文章中,我们将定义和描述AI、机器学习和深度学习,以及它们对信息安全产生的预期影响。虽然往传统上与人类认知相关的功能中引入各类系统已经很普遍,我们不妨退后一步,仔细审视一下这些术语真实的含义。公司企业处理网络安全的方式在改进,可用3个阶段来检验:1.预防——仅仅10年之前,公司企业还将主要工作集中在预防上:避免被入侵。公司企业打造壁垒,强化网络,以便将敌人隔绝在
  3. 所属分类:其它

    • 发布日期:2021-03-01
    • 文件大小:158720
    • 提供者:weixin_38600696
  1. 干货:如何从系统层面优化深度学习计算?

  2. 本文于来源于网络,主要介绍了优化、助力深度学习计算等方面的知识,希望对大家的学习能有帮助。深度学习在近几年里取得了巨大的进步,它已经或者是有望成功地被应用在我们许多生活场景中,比如自动驾驶、安防、翻译、医疗等等。可以说,计算机的计算和通信能力的大幅提升是促使深度学习成功的重要因素。在图像、语音识别、自然语言处理、强化学习等许多技术领域中,深度学习已经被证明是非常有效的,并且在某些问题上已经达到甚至超越了人类的水平。然而,深度学习对于计算能力有着很大的依赖,除了改变模型和算法,是否可以从系统的层面
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:243712
    • 提供者:weixin_38693524
  1. 解读|如何使用深度强化学习帮助自动驾驶汽车通过交叉路口?

  2. 即使是人类司机,交通事故中也有高达20%发生在交叉路口[1]。这就意味着无人驾驶汽车要想学好通过交叉路口不是件容易的事。要成功通过交叉路口,需要完成三件事:1)理解汽车的动态行为,2)解读其他司机的意图,3)以可被预测的方式行动以便其他司机能够合适地响应。这需要在大量有冲突的目标之间寻找平衡,其中包括安全性、效率和最小化对车流的破坏。基于规则的处理交叉路口任务的方法主要分为两大类:协同方法(cooperativemethods)[2]和启发式方法(heuristicmethods)[3]。由于需
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:970752
    • 提供者:weixin_38655878
  1. 强化学习的10个现实应用

  2. 在强化学习中,我们使用奖惩机制来训练agents。Agent做出正确的行为会得到奖励,做出错误的行为就会受到惩罚。这样的话,agent就会试着将自己的错误行为最少化,将自己的正确行为最多化。本文我们将会聚焦于强化学习在现实生活中的实际应用。无人驾驶中的应用很多论文都提到了深度强化学习在自动驾驶领域中的应用。在无人驾驶中,需要考虑的问题是非常多的,如:不同地方的限速不同限速,是否是可行驶区域,如何躲避障碍等问题。有些自动驾驶的任务可以与强化学习相结合,比如轨迹优化,运动规划,动态路径,最优控制,以
  3. 所属分类:其它

    • 发布日期:2021-02-23
    • 文件大小:385024
    • 提供者:weixin_38715094
  1. 基于注意力的分层深度强化学习在自动驾驶变道行为中的应用

  2. 执行安全高效的车道变更是创建全自动驾驶汽车的关键功能。最近的先进技术已经证明了使用深度强化学习的成功车道跟随行为,但很少考虑与其他车辆在道路上进行交互以改变车道的行为。本文设计了一种分层的深度强化学习(DRL)算法来学习密集交通中的车道变化行为。通过将整体行为分解为子策略,可以了解更快,更安全的车道变更动作。我们还将时空注意应用于DRL架构,这有助于车辆将更多的注意力集中在周围的车辆上,并导致更平滑的车道变换行为。我们在TORCS模拟器中进行实验,其结果在各种车道变更场景中均优于最新的深度强化学
  3. 所属分类:其它

    • 发布日期:2021-02-23
    • 文件大小:675840
    • 提供者:weixin_38639747
  1. MindMaker:MindMaker UE4机器学习工具包-源码

  2. 适用于UE4的MindMaker AI插件 在虚幻引擎4中创建机器学习AI代理 介绍。 视频: : 是一个开源插件,可让UE4中的游戏和模拟充当训练自主机器学习代理的环境。 该插件可促进网络连接并随后启动兼容的MindMaker学习引擎,例如,基于算法的编译的。 当前,可以使用深度强化学习来训练代理,深度强化学习是一种将神经网络与学习模型结合在一起以塑造代理行为的机器学习方法。 借助MindMaker,开发人员和研究人员可以轻松地为2D,3D和VR项目训练机器学习代理。 可能的应用范围
  3. 所属分类:其它

    • 发布日期:2021-02-06
    • 文件大小:1048576
    • 提供者:weixin_42098892
  1. AirSim:来自Microsoft AI&Research的基于Unreal Engine Unity的自动驾驶汽车开源模拟器-源码

  2. 欢迎来到AirSim AirSim是一款基于 (我们现在还有一个实验性的版本)的无人机,汽车等模拟器。 它是开源,跨平台的,并通过流行的飞行控制器(例如PX4和ArduPilot)支持在环软件仿真,并通过PX4进行硬件在环仿真,以进行物理和视觉逼真的仿真。 它是作为Unreal插件开发的,可以直接放入任何Unreal环境中。 同样,我们有一个Unity插件的实验版本。 我们的目标是将AirSim开发为AI研究的平台,以对自动驾驶汽车的深度学习,计算机视觉和强化学习算法进行实验。 为此,Air
  3. 所属分类:其它

    • 发布日期:2021-02-06
    • 文件大小:226492416
    • 提供者:weixin_42177768
  1. 硕士论文:自动驾驶中的深度强化学习:用于使汽车学习在TORCS中驾驶的A3C算法; Python 3.5,Tensorflow,张量板,numpy,gym-torcs,ubuntu,乳胶-源码

  2. 自动驾驶中的深度强化学习 最适合离散操作:4名工人,学习率1e-4 无法使其在连续动作空间中正常工作; 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:234881024
    • 提供者:weixin_42114041
  1. 人工智能如何辅助安全自动化、分析处理和响应

  2. 人工智能(AI)含义宽泛,从聊天机器人到自动驾驶汽车的很多东西都可以用这个词来描述。市场营销人员很喜欢赶时髦,乘着这股东风推销产品。这篇文章中,我们将定义和描述AI、机器学习和深度学习,以及它们对信息安全产生的预期影响。虽然往传统上与人类认知相关的功能中引入各类系统已经很普遍,我们不妨退后一步,仔细审视一下这些术语真实的含义。 公司企业处理网络安全的方式在改进,可用3个阶段来检验: 1.预防——仅仅10年之前,公司企业还将主要工作集中在预防上:避免被入侵。公司企业打造壁垒,强化网络,以
  3. 所属分类:其它

    • 发布日期:2021-01-29
    • 文件大小:158720
    • 提供者:weixin_38627521
  1. 干货:如何从系统层面优化深度学习计算?

  2. 本文于来源于网络,主要介绍了优化、助力深度学习计算等方面的知识,希望对大家的学习能有帮助。深度学习在近几年里取得了巨大的进步,它已经或者是有望成功地被应用在我们许多生活场景中,比如自动驾驶、安防、翻译、医疗等等。可以说,计算机的计算和通信能力的大幅提升是促使深度学习成功的重要因素。在图像、语音识别、自然语言处理、强化学习等许多技术领域中,深度学习已经被证明是非常有效的,并且在某些问题上已经达到甚至超越了人类的水平。然而,深度学习对于计算能力有着很大的依赖,除了改变模型和算法,是否可以从系统的层面
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:243712
    • 提供者:weixin_38597889
  1. 解读|如何使用深度强化学习帮助自动驾驶汽车通过交叉路口?

  2. 即使是人类司机,交通事故中也有高达20%发生在交叉路口[1]。这就意味着无人驾驶汽车要想学好通过交叉路口不是件容易的事。要成功通过交叉路口,需要完成三件事:1)理解汽车的动态行为,2)解读其他司机的意图,3)以可被预测的方式行动以便其他司机能够合适地响应。这需要在大量有冲突的目标之间寻找平衡,其中包括安全性、效率和最小化对车流的破坏。基于规则的处理交叉路口任务的方法主要分为两大类:协同方法(cooperativemethods)[2]和启发式方法(heuristicmethods)[3]。由于需
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:970752
    • 提供者:weixin_38725531
  1. 基于注意力的分层深度强化学习在自动驾驶变道行为中的应用

  2. 执行安全高效的车道变更是创建全自动驾驶汽车的关键功能。最近的先进技术已经证明了使用深度强化学习的成功车道跟随行为,但很少考虑与其他车辆在道路上进行交互以改变车道的行为。本文设计了一种分层的深度强化学习(DRL)算法来学习密集交通中的车道变化行为。通过将整体行为分解为子策略,可以了解更快,更安全的车道变更动作。我们还将时空注意应用于DRL架构,这有助于车辆将更多的注意力集中在周围的车辆上,并导致更平滑的车道变换行为。我们在TORCS模拟器中进行实验,其结果在各种车道变更场景中均优于最新的深度强化学
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:675840
    • 提供者:weixin_38617335