DiRAP由存算一体的角度,综合考虑实时自适应的深度学习推理框架。面对动态情境,精细化设计分割决策空间,以降低卸载决策时延;模型动态切换时,自适应增量式加载深度模型,降低加载时延及冗余资源消耗。
一种基于零和博弈的奖励函数用以加快目标跟踪算法收敛,做到策略自适应不同场景
联邦学习(Federated Learning, FL)是一种新兴的分布式训练框架,可以在满足用户对隐私安全的需求的同时集聚不同参与设备的学习能力,构建一个比本地模型更强大的全局模型。随着一些时延敏感...
使用Verilog语言设计一个CNN网络来测量模型在可编程器件上的性能表现,并在Vivado 2018版本打包成ip核
Ubuntu18.04配置 ROS2 dashing+ gazebo9 + Turtlebot3
本文主要介绍基于真实场景的Turtlebot3 SLAM建图方法步骤
针对视频场景动态多变导致模型精度降低、复杂环境下模型收敛困难的问题,提出场景自适应的在线多视图融合视频摘要算法,利用语义、图像熵、视觉信息等融合的域无关特征对模型奖励进行奖励设计,同时降低特征空间以加速模型微调的收敛速度。
针对二维方格形模块化机器人难以在短时间内实现快速构型转换以适应新环境和新任务的问题,提出了SRA方法,利用基于QMIX的强化学习算法使机器人通过训练获得自重构的能力,学习到构型与构型之间...
本文主要针对部分可观测、奖励稀疏的多智能体系统场景,解决多智能体强化学习算法收敛困难,智能体策略水平低下(lazy agent)的问题:设计了一种分层的内在奖励机制(HIRM),核心在于基于分层机制实现智能体内在奖励的平衡
ros2自定义消息类型
面向Jetson系列硬件的ROS2 Foxy及其后续版本的装机指南 随着ROS2的发展,越来越多ROS2工程将于Foxy之后的版本开发。在Ubuntu操作系统上,ROS2 Foxy及之后的版本都依赖于Ubuntu20.04,但是Jetso...
针对物联终端协同问题提出一种聚合多个物联网设备的计算能力以完成单个设备无法执行任务的深度神经网络划分方法。通过将深度模型以层为粒度进行划分,选择有效的模型分割点,将复杂的深度模型部署到分布式协同环境,综合多个异构设备算力解决高消耗模型的部署问题
针对边端情境复杂多样,潜藏情境难挖掘的问题,拟提出人机共融和数据潜藏情境挖掘技术
Jetson装机实用链接指南(持续更新)
在实时视频流中往往存在大量的无效帧,如画面长期静止、画面运动过于强烈导致严重模糊等。针对该问题,提出了该方法。
轻量级三维人体重建算法,可以根据二维图像快速地恢复出人体三维模型
2.1 ROS框架设计 ROS框架可以分为OS层、中间层和应用层。 1. OS层:Ubuntu、macOS、Arch、Debian 2. 中间层:给予TCP/UDP网络进行再次封装的TCPROS/UDPROS通信系统,使用发布/订阅、客户端/...
边端部署环境下的分布偏移(潜藏情境)分类理论
针对使用pytorch官网上的安装命令为jetson板子安装好GPU版本的pytorch之后,torch.cuda.is_available()总是返回false值问题,提供为jetson板子配置深度学习框架的思路。