在Uber平台上安全可靠地连接数字世界和物理世界，带来了令人兴奋的技术挑战和机遇。对于优步来说，人工智能(AI)对于开发能够大规模优化、自动化决策的系统至关重要。
人工智能.．.
拉奎尔Urtasun
Raquel Urtasun是Uber ATG的首席科学家和Uber ATG多伦多的负责人。她还是多伦多大学的教授，加拿大机器学习和计算机视觉研究主席，以及人工智能矢量研究所的联合创始人。雷竞技是骗人的她曾获得NSERC EWR Steacie奖、NVIDIA AI先驱奖、教育和创新部早期研究员奖、三个谷歌教师研究奖、一个亚马逊教师研究奖、一个康诺特新研究员奖、一个法罗纳家族研究奖，以及2013年和2017年CVPR颁发的两个最佳论文亚军奖。雷竞技是骗人的她还被《广告周刊》杂志评为Chatelaine 2018年度女性，以及2018年多伦多最具影响力人物
工程博客文章雷竞技到底好不好用
在ICCV、CoRL和IROS 2019上了解Uber ATG
Uber ATG致力于发布研究进展，目标是将自动驾驶汽车安全、可扩展地推雷竞技是骗人的向世界。我们希望我们的共享方式将加深产业界和学术界之间的互动和合作，并最终会.．.
宣布2019年优步AI驻地
通过Theofanis Karaletsos, Ersin Yumer, Raquel Urtasun和Zoubin Ghahramani代表Uber AI实验室和Uber ATG
在Uber平台上安全可靠地连接数字世界和物理世界，带来了令人兴奋的技术挑战和机遇。乳房,.．.
优步AI驻地介绍
优步AI实验室和优步ATG多伦多兴奋地宣布Uber AI驻地这是一个为期一年的强化研究培训项目，计划于今年夏雷竞技是骗人的天开始。
超级在机器学习上投入了大量资金还有人工智能，周围有很多人.．.
SBNet:利用激活块稀疏性加速卷积神经网络
通过应用卷积神经网络(cnn)和其他深度学习技术，研究人员雷竞技是骗人的Uber ATG多伦多致力于开发技术，为更安全可靠的运输解决方案提供动力。
cnn被广泛用于分析视觉图像和数据.．.
雷竞技是骗人的研究论文
物理上可实现的激光雷达目标检测对抗实例
杜俊杰，任敏，S.Manivasagam，杨波，梁敏，杜锐，程峰，r . Urtasun
现代自动驾驶系统严重依赖深度学习模型来处理点云感官数据;同时，深度模型已被证明容易受到视觉上难以察觉的扰动的对抗性攻击。尽管这给自动驾驶行业带来了安全问题，但在3D感知方面的探索很少，因为大多数对抗性攻击只应用于2D平面图像。[…][PDF]
计算机视觉与模式识别(CVPR), 2017
现代自动驾驶系统严重依赖深度学习模型来处理点云感官数据;同时，深度模型已被证明容易受到视觉上难以察觉的扰动的对抗性攻击。尽管这给自动驾驶行业带来了安全问题，但在3D感知方面的探索很少，因为大多数对抗性攻击只应用于2D平面图像。[…][PDF]
计算机视觉与模式识别(CVPR), 2017
利用图循环注意网络高效生成图
r·廖，李勇，宋勇，美国王纳什，W. L.汉密尔顿。Duvenaud,r . UrtasunR.S.泽梅尔
我们提出了一组新的高效且富有表现力的图生成模型，称为图循环注意网络(GRANs)。在标准基准测试中，我们的模型生成的图形在质量上与以前的最先进技术相当，并且至少快了一个数量级。[PDF]
神经信息处理系统研讨会(NeurIPS), 2019
我们提出了一组新的高效且富有表现力的图生成模型，称为图循环注意网络(GRANs)。在标准基准测试中，我们的模型生成的图形在质量上与以前的最先进技术相当，并且至少快了一个数量级。[PDF]
神经信息处理系统研讨会(NeurIPS), 2019
学习深度补全的联合2D-3D表示
y陈，b .杨，m .梁，r . Urtasun
我们设计了一个简单而有效的架构，在多个层次上融合2D和3D表示之间的信息，以学习多个层次上完全融合的关节表示，并在KITTI深度完井基准上展示最先进的结果。[PDF]
计算机视觉国际会议(ICCV), 2019
我们设计了一个简单而有效的架构，在多个层次上融合2D和3D表示之间的信息，以学习多个层次上完全融合的关节表示，并在KITTI深度完井基准上展示最先进的结果。[PDF]
计算机视觉国际会议(ICCV), 2019
DAGMapper:通过发现车道拓扑来学习映射
n Homayounfar，观测。马\ *，j .梁\ *，x吴，j .风扇，r . Urtasun
我们通过将问题表述为深度有向图形模型来绘制高速公路中的复杂车道拓扑。作为一个有趣的结果，我们可以在I40中训练我们的模型，并推广到SF中未见的高速公路。[PDF]
计算机视觉国际会议(ICCV), 2019
我们通过将问题表述为深度有向图形模型来绘制高速公路中的复杂车道拓扑。作为一个有趣的结果，我们可以在I40中训练我们的模型，并推广到SF中未见的高速公路。[PDF]
计算机视觉国际会议(ICCV), 2019
DMM-Net:用于视频实例分割的可微掩码匹配网络
x曾庆红,r·廖，顾丽华，y熊， S.费德勒，r . Urtasun
针对视频实例分割问题，提出了可微掩码匹配网络(DMM-Net)。在DAVIS 2017数据集上，DMM-Net在第一帧不进行在线学习的情况下表现最好，在第二帧进行在线学习的情况下表现最好。在没有任何微调的情况下，DMM-Net在SegTrack v2数据集上的性能与最先进的方法相当。[PDF]
计算机视觉国际会议(ICCV), 2019
针对视频实例分割问题，提出了可微掩码匹配网络(DMM-Net)。在DAVIS 2017数据集上，DMM-Net在第一帧不进行在线学习的情况下表现最好，在第二帧进行在线学习的情况下表现最好。在没有任何微调的情况下，DMM-Net在SegTrack v2数据集上的性能与最先进的方法相当。[PDF]
计算机视觉国际会议(ICCV), 2019
DSIC:深度立体图像压缩
j .刘，美国王，r . Urtasun
我们设计了一种新的架构来压缩立体图像对，试图从第一张图像中提取尽可能多的共享信息，以降低第二张图像的比特率。我们展示了一个令人印象深刻的30-50%降低第二图像比特率在低比特率。[PDF]
计算机视觉国际会议(ICCV), 2019
我们设计了一种新的架构来压缩立体图像对，试图从第一张图像中提取尽可能多的共享信息，以降低第二张图像的比特率。我们展示了一个令人印象深刻的30-50%降低第二图像比特率在低比特率。[PDF]
计算机视觉国际会议(ICCV), 2019
学习通过压缩二进制地图进行本地化
x魏、i.a. Bârsan，美国王，j·马丁内斯，r . Urtasun
将当前的定位系统扩展到大型环境的主要困难之一是地图所需的机载存储。在本文中，我们建议学习压缩地图表示，以便它是最优的定位任务。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2019
将当前的定位系统扩展到大型环境的主要困难之一是地图所需的机载存储。在本文中，我们建议学习压缩地图表示，以便它是最优的定位任务。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2019
基于卷积循环网络的道路边界提取
j .梁，n Homayounfar，美国王，观测。妈，r . Urtasun
创建包含场景静态元素精确信息的高清地图对于自动驾驶汽车的安全驾驶至关重要。在本文中，我们解决了从激光雷达和相机图像中提取可行驶道路边界的问题。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2019
创建包含场景静态元素精确信息的高清地图对于自动驾驶汽车的安全驾驶至关重要。在本文中，我们解决了从激光雷达和相机图像中提取可行驶道路边界的问题。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2019
表示概率模型知识的降维方法
罗敏哲，斯奈尔，m.t. Law;Farahmand,r . Urtasun泽梅尔
大多数深度学习模型依赖于富有表现力的高维表示来实现分类等任务的良好性能。然而，这些表示的高维数使得它们难以解释并且容易过度拟合。我们提出了一个简单、直观和可扩展的降维框架，该框架考虑了用于分类的标准深度模型的软概率解释。[…][PDF]
学习表征国际会议(ICLR), 2019
大多数深度学习模型依赖于富有表现力的高维表示来实现分类等任务的良好性能。然而，这些表示的高维数使得它们难以解释并且容易过度拟合。我们提出了一个简单、直观和可扩展的降维框架，该框架考虑了用于分类的标准深度模型的软概率解释。[…][PDF]
学习表征国际会议(ICLR), 2019
DARNet:用于建筑分割的深层主动射线网络
d .程r·廖， S.费德勒，r . Urtasun
本文提出了一种用于建筑物自动分割的深度主动射线网络(DARNet)。以图像为输入，首先利用深度卷积神经网络(CNN)作为骨干预测能量图，然后利用能量图构建能量函数。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2019
本文提出了一种用于建筑物自动分割的深度主动射线网络(DARNet)。以图像为输入，首先利用深度卷积神经网络(CNN)作为骨干预测能量图，然后利用能量图构建能量函数。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2019
DeepSignals:通过视觉属性预测驾驶员意图
d . Frossard，e·凯，r . Urtasun
在自动驾驶中，检测司机的意图是一项重要任务，对于预测车道变化和停车等突发事件是必要的。转向灯和紧急闪光灯传达了这种意图，提供了几秒钟的潜在关键反应时间。在本文中，我们提出通过使用一个深度神经网络来检测视频序列中的这些信号，该深度神经网络同时考虑空间和时间信息。[…][PDF]
机器人与自动化国际会议(ICRA), 2019
在自动驾驶中，检测司机的意图是一项重要任务，对于预测车道变化和停车等突发事件是必要的。转向灯和紧急闪光灯传达了这种意图，提供了几秒钟的潜在关键反应时间。在本文中，我们提出通过使用一个深度神经网络来检测视频序列中的这些信号，该深度神经网络同时考虑空间和时间信息。[…][PDF]
机器人与自动化国际会议(ICRA), 2019
程序综合的神经引导约束逻辑规划
张亮，罗森布拉特，费塔亚，r·廖， W.伯德，M.梅，r . Urtasun——泽梅尔
利用实例输入/输出合成程序是人工智能领域的一个经典问题。我们提出了一种解决实例编程(PBE)问题的方法，即使用神经模型来指导约束逻辑编程系统miniKanren的搜索。[…][PDF]
神经信息处理系统研究进展(NeurIPS), 2018
利用实例输入/输出合成程序是人工智能领域的一个经典问题。我们提出了一种解决实例编程(PBE)问题的方法，即使用神经模型来指导约束逻辑编程系统miniKanren的搜索。[…][PDF]
神经信息处理系统研究进展(NeurIPS), 2018
LanczosNet:多尺度深度图卷积网络
r·廖，赵振宇，r . Urtasun——泽梅尔
关系数据通常可以用图表示。为了处理这样的图结构数据，我们提出了LanczosNet，它使用Lanczos算法来构造图拉普拉斯的低秩逼近来进行图卷积。[…][PDF]
神经信息处理系统(NeurIPS), 2018年
关系数据通常可以用图表示。为了处理这样的图结构数据，我们提出了LanczosNet，它使用Lanczos算法来构造图拉普拉斯的低秩逼近来进行图卷积。[…][PDF]
神经信息处理系统(NeurIPS), 2018年
用于神经结构搜索的图超网络
c .张，m .任，r . Urtasun
神经结构搜索(NAS)自动找到最佳的特定于任务的神经网络拓扑结构，优于许多人工架构设计。然而，这可能是非常昂贵的，因为搜索需要训练数千个不同的网络，而每个网络都可能持续数小时。在这项工作中，我们提出了图超网络(GHN)来摊销搜索成本:给定一个架构，它通过在图神经网络上运行推理直接生成权重。[…][PDF]
元学习工作坊@神经信息处理系统(NeurIPS), 2018
神经结构搜索(NAS)自动找到最佳的特定于任务的神经网络拓扑结构，优于许多人工架构设计。然而，这可能是非常昂贵的，因为搜索需要训练数千个不同的网络，而每个网络都可能持续数小时。在这项工作中，我们提出了图超网络(GHN)来摊销搜索成本:给定一个架构，它通过在图神经网络上运行推理直接生成权重。[…][PDF]
元学习工作坊@神经信息处理系统(NeurIPS), 2018
学习使用激光雷达强度图进行本地化
即Barsan，美国王，波克罗夫斯基。，r . Urtasun
在本文中，我们提出了一个实时的，校准无关的，有效的自动驾驶汽车定位系统。我们的方法学习将在线激光雷达扫描和强度图嵌入到联合深度嵌入空间中。[…][PDF]
机器人学习研讨会(考), 2018年
在本文中，我们提出了一个实时的，校准无关的，有效的自动驾驶汽车定位系统。我们的方法学习将在线激光雷达扫描和强度图嵌入到联合深度嵌入空间中。[…][PDF]
机器人学习研讨会(考), 2018年
深度多传感器车道检测
m .呗，g . Mattyus，n Homayounfar，美国王，拉克什米坎斯，r . Urtasun
可靠、准确的车道检测一直是自动驾驶领域长期存在的问题。近年来，已经开发了许多使用图像(或视频)作为图像空间的输入和推理的方法。在本文中，我们认为准确的图像估计不能转化为精确的3D车道边界，这是现代运动规划算法所需的输入。[…][PDF]
智能机器人与系统国际会议(——), 2018
可靠、准确的车道检测一直是自动驾驶领域长期存在的问题。近年来，已经开发了许多使用图像(或视频)作为图像空间的输入和推理的方法。在本文中，我们认为准确的图像估计不能转化为精确的3D车道边界，这是现代运动规划算法所需的输入。[…][PDF]
智能机器人与系统国际会议(——), 2018
HDNET:利用高清地图进行三维物体检测
b .杨，m .梁，r . Urtasun
在本文中，我们展示了高清(HD)地图提供了强大的先验，可以提高现代3D物体探测器的性能和鲁棒性。为了实现这一目标，我们设计了一个单级检测器，从高清地图中提取几何和语义特征。[…][PDF]
机器人学习研讨会(考), 2018年
在本文中，我们展示了高清(HD)地图提供了强大的先验，可以提高现代3D物体探测器的性能和鲁棒性。为了实现这一目标，我们设计了一个单级检测器，从高清地图中提取几何和语义特征。[…][PDF]
机器人学习研讨会(考), 2018年
IntentNet:学习从原始传感器数据预测意图
美国卡萨斯，w·罗，r . Urtasun
为了制定安全的机动计划，自动驾驶车辆需要了解其他交通参与者的意图。我们将意图定义为离散的高级行为以及描述未来运动的连续轨迹的组合。在本文中，我们开发了一种单级探测器和预测器，它利用激光雷达传感器产生的3D点云以及环境的动态地图。[…][PDF]
机器人学习研讨会(考), 2018年
为了制定安全的机动计划，自动驾驶车辆需要了解其他交通参与者的意图。我们将意图定义为离散的高级行为以及描述未来运动的连续轨迹的组合。在本文中，我们开发了一种单级探测器和预测器，它利用激光雷达传感器产生的3D点云以及环境的动态地图。[…][PDF]
机器人学习研讨会(考), 2018年
三维点云实时语义分割的高效卷积
c .张，w·罗，r . Urtasun
我们提出了一种半自动对象实例注释的方法。虽然目前大多数方法都将对象分割视为像素标记问题，但我们在这里将其视为多边形预测任务，模拟大多数当前数据集的注释方式。[…][PDF]
三维视觉国际研讨会(3 dv), 2018
我们提出了一种半自动对象实例注释的方法。虽然目前大多数方法都将对象分割视为像素标记问题，但我们在这里将其视为多边形预测任务，模拟大多数当前数据集的注释方式。[…][PDF]
三维视觉国际研讨会(3 dv), 2018
基于深度连续融合的多传感器三维目标检测
m .梁，b .杨，美国王，r . Urtasun
在本文中，我们提出了一种新型的3D物体探测器，它可以利用激光雷达和摄像机来进行非常精确的定位。为了实现这一目标，我们设计了一个端到端的可学习架构，利用连续卷积来融合不同分辨率的图像和LIDAR特征图。[…][PDF]
欧洲计算机视觉会议(大会), 2018
在本文中，我们提出了一种新型的3D物体探测器，它可以利用激光雷达和摄像机来进行非常精确的定位。为了实现这一目标，我们设计了一个端到端的可学习架构，利用连续卷积来融合不同分辨率的图像和LIDAR特征图。[…][PDF]
欧洲计算机视觉会议(大会), 2018
无单个内禀图像的单图像内禀分解
w·马， H, Chu, B. Zhou，r . Urtasun，托拉尔巴
我们提出了一种半自动对象实例注释的方法。虽然目前大多数方法都将对象分割视为像素标记问题，但我们在这里将其视为多边形预测任务，模拟大多数当前数据集的注释方式。[…][PDF]
欧洲计算机视觉会议(大会), 2018
我们提出了一种半自动对象实例注释的方法。虽然目前大多数方法都将对象分割视为像素标记问题，但我们在这里将其视为多边形预测任务，模拟大多数当前数据集的注释方式。[…][PDF]
欧洲计算机视觉会议(大会), 2018
绘制人行横道的端到端深度结构化模型
j .梁，r . Urtasun
在本文中，我们解决了从激光雷达和摄像机图像检测人行横道的问题。为了实现这一目标，给定多个Li-DAR扫描和相应的图像，我们将两个输入投影到地面上，以产生场景的自上而下视图。[…][PDF]
欧洲计算机视觉会议(大会), 2018
在本文中，我们解决了从激光雷达和摄像机图像检测人行横道的问题。为了实现这一目标，给定多个Li-DAR扫描和相应的图像，我们将两个输入投影到地面上，以产生场景的自上而下视图。[…][PDF]
欧洲计算机视觉会议(大会), 2018
多网:自动驾驶实时联合语义推理
泰希曼，韦伯，Zöllner，希波拉，r . Urtasun
虽然大多数语义推理方法都专注于提高性能，但在本文中，我们认为计算时间对于实现自动驾驶等实时应用非常重要。[…][PDF]
IEEE智能车辆研讨会(4), 2018
虽然大多数语义推理方法都专注于提高性能，但在本文中，我们认为计算时间对于实现自动驾驶等实时应用非常重要。[…][PDF]
IEEE智能车辆研讨会(4), 2018
恢复和改进循环反向传播
r·廖，y熊、费塔亚、张良、尹凯、毕科、r . Urtasun——泽梅尔
在本文中，我们重新讨论了循环反向传播(RBP)算法，讨论了它在深度神经网络中的应用条件以及如何满足这些条件。我们证明了RBP可以是不稳定的，并提出了两种基于正常方程上的共轭梯度(CG-RBP)和诺伊曼级数(Neumann-RBP)的变体。[…][PDF]
计算机视觉与模式识别研讨会(ICML), 2018
在本文中，我们重新讨论了循环反向传播(RBP)算法，讨论了它在深度神经网络中的应用条件以及如何满足这些条件。我们证明了RBP可以是不稳定的，并提出了两种基于正常方程上的共轭梯度(CG-RBP)和诺伊曼级数(Neumann-RBP)的变体。[…][PDF]
计算机视觉与模式识别研讨会(ICML), 2018
学习为健壮的深度学习重新加权示例
m .任，w .曾，b .杨，r . Urtasun
深度神经网络已被证明是许多涉及复杂输入模式的监督学习任务的非常强大的建模工具。然而，它们也很容易过拟合训练集偏差和标签噪声。[…][PDF]
机器学习国际研讨会(ICML), 2018
深度神经网络已被证明是许多涉及复杂输入模式的监督学习任务的非常强大的建模工具。然而，它们也很容易过拟合训练集偏差和标签噪声。[…][PDF]
机器学习国际研讨会(ICML), 2018
用于联合深度和表面正态估计的几何神经网络
齐晓霞，廖荣，刘志强，r . Urtasun贾杰
在本文中，我们提出了几何神经网络(GeoNet)来联合预测单幅图像的深度和表面法线地图。在双流cnn的基础上，我们的GeoNet通过新的深度-法线网络和法线-深度网络融合了深度和表面法线之间的几何关系。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
在本文中，我们提出了几何神经网络(GeoNet)来联合预测单幅图像的深度和表面法线地图。在双流cnn的基础上，我们的GeoNet通过新的深度-法线网络和法线-深度网络融合了深度和表面法线之间的几何关系。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
匹配对抗网络
g . Mattyus，r . Urtasun
生成对抗网络(GANs)和条件GANs (CGANs)表明，使用经过训练的网络作为损失函数(鉴别器)能够合成高度结构化的输出(例如自然图像)。然而，将鉴别器网络作为通用损失函数应用于常见的监督任务(例如语义分割，线检测，深度估计)是相当不成功的。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
生成对抗网络(GANs)和条件GANs (CGANs)表明，使用经过训练的网络作为损失函数(鉴别器)能够合成高度结构化的输出(例如自然图像)。然而，将鉴别器网络作为通用损失函数应用于常见的监督任务(例如语义分割，线检测，深度估计)是相当不成功的。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
学习端到端的深度结构化活动轮廓
马科斯，图亚，克伦贝格尔，张，m .呗，r·廖，r . Urtasun
世界上有数以百万计的建筑物，精确地知道每个实例的位置和范围对于大量应用来说是至关重要的。最近，由于卷积神经网络(CNN)的使用，自动建筑足迹分割模型显示出了卓越的检测精度。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
世界上有数以百万计的建筑物，精确地知道每个实例的位置和范围对于大量应用来说是至关重要的。最近，由于卷积神经网络(CNN)的使用，自动建筑足迹分割模型显示出了卓越的检测精度。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
SBNet:用于快速推断的稀疏块网络
m .任，波克罗夫斯基。，b .杨，r . Urtasun
传统的深度卷积神经网络(cnn)在数百层的所有特征图上统一应用卷积算子，这对实时应用产生了很高的计算成本。对于许多问题，如目标检测和语义分割，我们能够从先验问题知识或低分辨率分割网络中获得低成本的计算掩码。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
传统的深度卷积神经网络(cnn)在数百层的所有特征图上统一应用卷积算子，这对实时应用产生了很高的计算成本。对于许多问题，如目标检测和语义分割，我们能够从先验问题知识或低分辨率分割网络中获得低成本的计算掩码。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
SurfConv:桥接3D和2D卷积的RGBD图像
朱鸿章，马文文，昆都，r . Urtasun——S.费德勒
在过去的几年里，人们尝试将深度传感器的日益流行和卷积神经网络的成功结合起来。将深度作为RGB输入旁的附加通道存在基于图像卷积的方法中存在的尺度方差问题。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
在过去的几年里，人们尝试将深度传感器的日益流行和卷积神经网络的成功结合起来。将深度作为RGB输入旁的附加通道存在基于图像卷积的方法中存在的尺度方差问题。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
速度与激情:一个卷积网络的实时端到端3D检测，跟踪和运动预测
w·罗，b .杨，r . Urtasun
在本文中，我们提出了一种新的深度神经网络，能够联合推理三维检测，跟踪和运动预测给定的数据由三维传感器捕获。通过对这些任务进行联合推理，我们的整体方法对遮挡以及范围内的稀疏数据更加健壮。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
在本文中，我们提出了一种新的深度神经网络，能够联合推理三维检测，跟踪和运动预测给定的数据由三维传感器捕获。通过对这些任务进行联合推理，我们的整体方法对遮挡以及范围内的稀疏数据更加健壮。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
基于检测的多传感器三维跟踪的端到端学习
d . Frossard，r . Urtasun
在本文中，我们提出了一种新的检测跟踪方法，可以利用摄像机和激光雷达数据来产生非常精确的3D轨迹。为了实现这一目标，我们将问题表述为一个可以精确求解的线性程序，并学习卷积网络以端到端方式进行检测和匹配。[…][PDF]
机器人与自动化国际会议(ICRA), 2018
在本文中，我们提出了一种新的检测跟踪方法，可以利用摄像机和激光雷达数据来产生非常精确的3D轨迹。为了实现这一目标，我们将问题表述为一个可以精确求解的线性程序，并学习卷积网络以端到端方式进行检测和匹配。[…][PDF]
机器人与自动化国际会议(ICRA), 2018
结构化在线地图的分层循环注意网络
N. Homayounfar, W. Ma, S. Lakshmikanth，r . Urtasun
本文研究了基于稀疏三维点云的道路网络在线提取问题。我们的方法受到注释器构建车道图的启发，首先确定有多少条车道，然后依次绘制每条车道。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
本文研究了基于稀疏三维点云的道路网络在线提取问题。我们的方法受到注释器构建车道图的启发，首先确定有多少条车道，然后依次绘制每条车道。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2018
利用约束逻辑规划实现神经引导程序综合
张亮，罗森布拉特，费塔亚，r·廖， W.伯德，r . Urtasun——泽梅尔
我们提出了一种解决示例编程(PBE)问题的方法，该方法将神经网络与称为miniKanren的约束逻辑编程系统紧密集成。在内部，miniKanren搜索一个程序，该程序满足由提供的示例施加的递归约束。[…][PDF]
机器学习国际研讨会(ICLR), 2018
我们提出了一种解决示例编程(PBE)问题的方法，该方法将神经网络与称为miniKanren的约束逻辑编程系统紧密集成。在内部，miniKanren搜索一个程序，该程序满足由提供的示例施加的递归约束。[…][PDF]
机器学习国际研讨会(ICLR), 2018
半监督分类的图划分神经网络
r·廖，布罗克施密特，塔洛，冈特，r . Urtasun——泽梅尔
我们提出了图划分神经网络(GPNN)，它是图神经网络(GNNs)的扩展，能够处理极大的图。gpnn在小子图的节点之间进行局部传播，在子图之间进行全局传播。[…][PDF]
工作坊@国际机器学习会议(ICLR), 2018
我们提出了图划分神经网络(GPNN)，它是图神经网络(GNNs)的扩展，能够处理极大的图。gpnn在小子图的节点之间进行局部传播，在子图之间进行全局传播。[…][PDF]
工作坊@国际机器学习会议(ICLR), 2018
基于深度结构化模型的运动场地定位
n Homayounfar， S.费德勒，r . Urtasun
在这项工作中，我们提出了一种新颖的方法，可以有效地从单一的比赛广播图像中本地化足球场。该领域的相关工作依赖于手动标注一些关键帧并将定位扩展到类似图像，或在体育场安装固定的专用摄像机，从中可以获得球场的布局。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
在这项工作中，我们提出了一种新颖的方法，可以有效地从单一的比赛广播图像中本地化足球场。该领域的相关工作依赖于手动标注一些关键帧并将定位扩展到类似图像，或在体育场安装固定的专用摄像机，从中可以获得球场的布局。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
概率图模型的图神经网络推理
k .尹r·廖，y熊、张良、费塔亚、r . Urtasun， R.泽梅尔，X.皮特科
统计推断和准确决策的基本计算是计算与任务相关变量的边际概率或最可能状态。概率图形模型可以有效地表示这种复杂数据的结构，但执行这些推断通常是困难的。[…][PDF]
“学习表征”国际研讨会工作坊(ICLR), 2018
统计推断和准确决策的基本计算是计算与任务相关变量的边际概率或最可能状态。概率图形模型可以有效地表示这种复杂数据的结构，但执行这些推断通常是困难的。[…][PDF]
“学习表征”国际研讨会工作坊(ICLR), 2018
可逆残差网络:不存储激活的反向传播
答:戈麦斯,m .任，拉奎尔Urtasun——R.格罗斯
残差网络(ResNets)在图像分类方面比传统的卷积神经网络(cnn)有了显著的改进，随着网络的深度和广度的增长，性能也在不断提高。然而，内存消耗成为瓶颈，因为需要存储所有中间激活，以便使用反向传播计算梯度。[…][PDF]
神经信息处理系统研究进展(NeurIPS), 2017
残差网络(ResNets)在图像分类方面比传统的卷积神经网络(cnn)有了显著的改进，随着网络的深度和广度的增长，性能也在不断提高。然而，内存消耗成为瓶颈，因为需要存储所有中间激活，以便使用反向传播计算梯度。[…][PDF]
神经信息处理系统研究进展(NeurIPS), 2017
做你自己的普拉达:结构连贯的时尚综合
朱,r . Urtasun， S.费德勒，D.林，C.洛伊
我们提出了一种新颖而有效的方法，通过生成对抗学习在穿着者身上生成新衣服。给定一个人的输入图像和一个描述不同服装的句子，我们的模型会按照期望“纠正”这个人，同时保持穿着者和她/他的姿势不变。[…][PDF]
计算机视觉国际会议(ICCV), 2017
我们提出了一种新颖而有效的方法，通过生成对抗学习在穿着者身上生成新衣服。给定一个人的输入图像和一个描述不同服装的句子，我们的模型会按照期望“纠正”这个人，同时保持穿着者和她/他的姿势不变。[…][PDF]
计算机视觉国际会议(ICCV), 2017
RGBD语义分割的三维图神经网络
x气,r·廖，贾杰，S.费德勒，r . Urtasun
RGBD语义分割需要对二维外观和三维几何信息进行联合推理。本文提出了一种三维图神经网络(3DGNN)，该网络在三维点云上构建k-近邻图。[…][PDF]
计算机视觉国际会议(ICCV), 2017
RGBD语义分割需要对二维外观和三维几何信息进行联合推理。本文提出了一种三维图神经网络(3DGNN)，该网络在三维点云上构建k-近邻图。[…][PDF]
计算机视觉国际会议(ICCV), 2017
SGN:用于实例分割的顺序分组网络
刘珊珊，贾俊杰，费德勒，r . Urtasun
本文提出了序列分组网络(SGN)来解决对象实例分割问题。sgn采用一系列神经网络，每个神经网络解决一个语义复杂度不断增加的子分组问题，以便逐渐将对象从像素中组合出来。[…][PDF]
计算机视觉国际会议(ICCV), 2017
本文提出了序列分组网络(SGN)来解决对象实例分割问题。sgn采用一系列神经网络，每个神经网络解决一个语义复杂度不断增加的子分组问题，以便逐渐将对象从像素中组合出来。[…][PDF]
计算机视觉国际会议(ICCV), 2017
用图神经网络进行情景识别
李锐，塔帕西，r·廖，贾杰，r . Urtasun——S.费德勒
我们解决了图像中情况识别的问题。给定一个图像，任务是预测最突出的动词(动作)，并填补其语义角色，如谁在执行动作，动作的来源和目标是什么，等等。[PDF]
计算机视觉国际会议(ICCV), 2017
我们解决了图像中情况识别的问题。给定一个图像，任务是预测最突出的动词(动作)，并填补其语义角色，如谁在执行动作，动作的来源和目标是什么，等等。[PDF]
计算机视觉国际会议(ICCV), 2017
深度谱聚类学习
m.t. Law，r . Urtasun泽梅尔
聚类是对一组示例进行分组，使相似的示例被分组到相同的聚类中，而不同的示例被分组到不同的聚类中。聚类的质量取决于两个问题相关的因素，这两个因素是i)所选择的相似度量和ii)数据表示。因此提出了利用标记分区数据集的监督聚类方法，例如学习优化的度量来执行聚类。[…][PDF]
机器学习国际研讨会(ICML), 2017
聚类是对一组示例进行分组，使相似的示例被分组到相同的聚类中，而不同的示例被分组到不同的聚类中。聚类的质量取决于两个问题相关的因素，这两个因素是i)所选择的相似度量和ii)数据表示。因此提出了利用标记分区数据集的监督聚类方法，例如学习优化的度量来执行聚类。[…][PDF]
机器学习国际研讨会(ICML), 2017
利用弱监督数据的高效多实例度量学习
罗敏棠，余永明，r . Urtasun，泽梅尔，邢爱平
我们考虑在弱监督环境中学习距离度量，其中“袋”(或组)实例被标记为“袋”标签。一种通用的方法是将问题表述为多实例学习(MIL)问题，其中学习度量，以便推断出相似的实例之间的距离小于推断出不相似的实例之间的距离。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
我们考虑在弱监督环境中学习距离度量，其中“袋”(或组)实例被标记为“袋”标签。一种通用的方法是将问题表述为多实例学习(MIL)问题，其中学习度量，以便推断出相似的实例之间的距离小于推断出不相似的实例之间的距离。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
通过信息检索镜头的少镜头学习
E.特里安塔菲卢，R.泽梅尔，r . Urtasun
“少量学习”指的是通过少数例子来理解新概念。对于这个问题，我们提出了一种基于信息检索的方法，这是由于最大限度地利用低数据环境中所有可用信息的重要性日益增加。[PDF]
代码:(链接)
神经信息处理系统研究进展(NeurIPS), 2017
“少量学习”指的是通过少数例子来理解新概念。对于这个问题，我们提出了一种基于信息检索的方法，这是由于最大限度地利用低数据环境中所有可用信息的重要性日益增加。[PDF]
代码:(链接)
神经信息处理系统研究进展(NeurIPS), 2017
通过观察太阳和其他语义线索来找到你的路
观测。妈，美国王，布鲁贝克先生，费德勒先生，r . Urtasun
在本文中，我们提出了一种健壮的，高效的和负担得起的自定位方法，它既不需要GPS也不需要关于世界外观的知识。为了实现这一目标，我们利用免费的地图，并推导出一个概率模型，该模型利用太阳方向、十字路口的存在、道路类型、速度限制以及自我车轨迹等形式的语义线索，以产生非常可靠的定位结果。[…][PDF]
机器人与自动化国际会议(ICRA), 2017
在本文中，我们提出了一种健壮的，高效的和负担得起的自定位方法，它既不需要GPS也不需要关于世界外观的知识。为了实现这一目标，我们利用免费的地图，并推导出一个概率模型，该模型利用太阳方向、十字路口的存在、道路类型、速度限制以及自我车轨迹等形式的语义线索，以产生非常可靠的定位结果。[…][PDF]
机器人与自动化国际会议(ICRA), 2017
归一化:网络归一化方案的比较与扩展
m .任，r·廖，r . Urtasun， F. H.辛兹，R.泽梅尔
规范化技术直到最近才开始被用于监督学习任务。批处理规范化利用小批统计信息来规范化激活。研究表明，这可以加快训练速度，并产生更好的模型。然而，在处理循环神经网络时，它的成功是非常有限的。另一方面，层归一化将层内所有活动的激活归一化。这被证明在循环设置中很有效。在本文中，我们提出了一种统一的归一化技术，作为分裂归一化的形式，其中包括层归一化和批归一化作为特殊情况。[…][PDF]
学习表征国际会议(ICLR), 2017
规范化技术直到最近才开始被用于监督学习任务。批处理规范化利用小批统计信息来规范化激活。研究表明，这可以加快训练速度，并产生更好的模型。然而，在处理循环神经网络时，它的成功是非常有限的。另一方面，层归一化将层内所有活动的激活归一化。这被证明在循环设置中很有效。在本文中，我们提出了一种统一的归一化技术，作为分裂归一化的形式，其中包括层归一化和批归一化作为特殊情况。[…][PDF]
学习表征国际会议(ICLR), 2017
用多边形rnn注释对象实例
L. Castrejón, K.昆都，r . Urtasun——S.费德勒
我们提出了一种半自动对象实例注释的方法。虽然目前大多数方法都将对象分割视为像素标记问题，但我们在这里将其视为多边形预测任务，模拟大多数当前数据集的注释方式。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
我们提出了一种半自动对象实例注释的方法。虽然目前大多数方法都将对象分割视为像素标记问题，但我们在这里将其视为多边形预测任务，模拟大多数当前数据集的注释方式。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
通过条件GAN实现多样化和自然的图像描述
戴，S.费德勒，r . Urtasun，林德。
在本文中，我们介绍了多伦多市基准，涵盖了整个大多伦多地区(GTA) 712.5平方公里的土地，8439公里的道路和大约400,000座建筑。我们的基准提供了从飞机、无人机和在城市中行驶的汽车捕捉到的世界的不同视角。[…][PDF]
计算机视觉国际会议(ICCV), 2017
在本文中，我们介绍了多伦多市基准，涵盖了整个大多伦多地区(GTA) 712.5平方公里的土地，8439公里的道路和大约400,000座建筑。我们的基准提供了从飞机、无人机和在城市中行驶的汽车捕捉到的世界的不同视角。[…][PDF]
计算机视觉国际会议(ICCV), 2017
多伦多城:用一百万只眼睛看世界
美国王；m .呗；g . Mattyus；h·楚；w·罗；b .杨；j .梁；j . Cheverie；r . Urtasun；d .林．
尽管近年来有了长足的进步，但图像字幕技术还远远不够完善。现有方法生成的句子，例如基于rnn的句子，往往过于死板，缺乏可变性。[…][PDF]
计算机视觉国际会议(ICCV), 2017
尽管近年来有了长足的进步，但图像字幕技术还远远不够完善。现有方法生成的句子，例如基于rnn的句子，往往过于死板，缺乏可变性。[…][PDF]
计算机视觉国际会议(ICCV), 2017
用于实例分割的深度分水岭变换
m .呗，r . Urtasun
大多数当代实例分割方法使用复杂的管道，包括条件随机场、循环神经网络、对象建议或模板匹配方案。在我们的论文中，我们提出了一个简单而强大的端到端卷积神经网络来解决这一任务。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
大多数当代实例分割方法使用复杂的管道，包括条件随机场、循环神经网络、对象建议或模板匹配方案。在我们的论文中，我们提出了一个简单而强大的端到端卷积神经网络来解决这一任务。[…][PDF]
计算机视觉与模式识别研讨会(CVPR), 2017
