绑定手机号
获取验证码
确认绑定
欢迎来智东西
登录
免费注册
关注我们
智东西
车东西
芯东西
智东西公开课
订阅成功
扫码关注智东西Plus
接受订阅信息更新提醒
MIT研发出新型无人配送车的导航方法

11月5日消息,据外媒techcrunch报道,美国时间11月4日,麻省理工学院(MIT)研发了一种新的无人配送车的导航方法,无人配送车可以在没有特定地图的情况下,自动识别出用户的大门。研究团队对不同的物体进行了标记,用各种颜色来代替不同的物体,无人配送车可以根据不同的颜色来确定哪些物体离门口更近,并且会根据这些信息绘制通往门口的路径。

订阅
订阅MIT最新消息
相关快讯
  • 09月18日 17:46
    MIT提出多维学习索引结构Flood

    9月18日消息,在多维索引表格上进行扫描和筛选是现代分析型数据库引擎的关键技术。为了对这些操作进行优化,数据库常建立起聚类的索引结构(indexes),如R-Trees,Z-ordering等,然而这些索引结构在不同的数据集以及查询集合下很难进行统一优化。MIT的研究人员在论文《Learning Multi-dimensional Indexes》中,提出了名为Flood的多维学习索引结构。通过同时优化索引结构以及存储布局,这种结构自动地调整自身以适应具体数据集和查询集合。该工作用来为端到端学习型数据库系统构建索引模块。

    来源:机器之心
  • 07月17日 19:48
    MIT研究可抵抗对抗攻击的神经网络结构

    7月17日消息,港中文和MIT的研究者在CVPR 2020论文《When NAS Meets Robustness: In Search of Robust Architectures against Adversarial Attacks》中,从神经网络结构的角度出发,研究了可抵抗对抗攻击的神经网络结构的模式。为了获得研究所需的大量网络,他们采用了One shot神经网络结构搜索(NAS),对一个super-net进行一次训练,然后对从中采样的子网络进行了对抗微调。采样的网络结构及其鲁棒性精度为研究提供了丰富的基础。

    来源:机器之心
  • 07月02日 20:01
    MIT韩松组推高效适配不同硬件HAT模型

    7月2日消息,为了解决Transformer的低效问题,来自MIT韩松组的研究人员提出了HAT: Hardware-Aware Transformers,针对不同的硬件设备的特性,为每个硬件搜索出一个高效的Transformer模型,从而在保持精确度的前提下大幅降低内存消耗。在同样的精度下,相比于基线Transformer, HAT可以获得3倍加速,3.7倍模型压缩。

    来源:机器之心
  • 07月02日 19:08
    MIT道歉:AI数据集涉嫌种族偏见

    7月2日消息,近日,麻省理工学院将其用于训练AI系统的数据集“Tiny Images”永久下线,原因是带有许多涉及种族歧视、性别歧视、恋童癖等倾向的图像和标签。

    麻省理工学院教授Antonio Torralba说:“我们深表歉意。”据称,Tiny Images数据集存在问题的一大原因是采用了大量搜索引擎整合数据而变得鱼龙混杂,同时还因为图片尺寸太小无法通过人工识别和过滤。Tiny Images数据库创建于2008年,在arXiv上被高频引用,广泛用于图像识别等机器学习模型。

    来源:智东西
  • 05月29日 22:57
    MIT开发新AI系统 降低碳足迹

    5月29日消息,麻省理工学院的研究人员开发了一种新的自动化AI系统,该系统具有更高的计算效率和更小的碳足迹。研究人员的系统训练了一个大型神经网络,其中包括许多不同大小的预训练子网络,这些子网络可以针对各种硬件平台进行定制,而无需重新训练。这极大地减少了为新平台训练每个专门的神经网络通常所需的能量,新神经平台可以包括数十亿个物联网(IoT)设备。他们使用该系统训练计算机视觉模型,估计与当今最先进的神经体系结构搜索方法相比,该过程所需的碳排放量约为1/300,同时将推理时间减少了1.5-2.6倍。

    来源:机器之心
  • 05月22日 21:10
    MIT用可优化度量指标理解对比表征学习

    5月22日消息,在论文《Understanding Contrastive Representation Learning through Alignment and Uniformity on the Hypersphere》中,来自MIT CSAIL的两位研究者确定了对比损失的两个关键属性:一是基于positive pair的特征对齐(紧密度),二是超球面上特征诱导分布的一致性。他们证明,对比损失可以优化这两个属性,并分析它们对下游任务的正效应。从实证角度出发,研究者提出了量化每个属性的可优化度量指标。在标准视觉和语言数据集上的实验证实了度量指标与下游任务性能之间存在强烈的一致性。需要特别指出的一点是,直接对这两个指标进行优化可以使下游任务上的表征具有媲美甚至超越对比学习的性能。

    来源:机器之心
  • 05月11日 11:31
    紫光华智场景解析技术获MIT测评第一

    5月11日消息,日前,紫光华智在麻省理工学院CSAIL研究组发起的MIT Scene Parsing Benchmark场景解析评测中排行榜首,并成功刷新国际最高分数。同时,上榜的还有来自多家国内外知名AI公司,顶级学术研究机构,以及ICCV、ECCV、CVPR等国际学术会议相关论文中的场景解析重要研究成果。

    据悉,紫光华智基于深度学习平台,充分应用上下文语义关联、局部/全局特征自适应融合、多尺度信息融合、掩码输出信息融合等技术手段构建了一套全景分割框架,实现了场景分割像素准确率(pixel accuracy)、平均交并比(mean Iou)等关键技术指标的大幅提升,进而有效提高复杂场景下的目标检测、定位、识别精确度。

    来源:智东西
  • 03月25日 21:22
    MIT发明用于训练无人车的模拟系统

    3月25日消息,麻省理工大学的团队最近发明了一种用于训练无人驾驶汽车的模拟系统,可以创造出具有无限转向可能性的逼真的世界,从而帮助汽车在驶入真实街道之前学会驾驭各种恶劣情况。该模拟器称为自治的虚拟图像合成和转换(VISTA)。它仅使用人类在道路上行驶时捕获的一个很小的数据集,从车辆在现实世界中可能遇到的轨迹中合成了几乎无限的新视点。控制器在不发生碰撞的情况下所经过的距离会得到奖励,因此它必须自己学习如何安全地到达目的地。通过这样做,车辆学会了安全地导航遇到的任何情况,包括在车道之间转弯或从近弯后恢复后重新获得控制。

    来源:机器之心
  • 03月09日 20:51
    MIT等提出名为EIG的深度神经网络模型

    3月9日消息,近日,来自麻省理工学院和耶鲁大学等高校研究者提出了一种名为EIG的深度神经网络模型,与常用的带标签数据训练出的神经系统相比,新模型的机理更接近真实的人类视觉系统,可以像人类一样从图像中迅速生成详细的场景描述。这一成果已经以论文的形式在《Science Advance》上发表,为探索大脑的工作原理提供了参考。论文的主要作者是耶鲁大学心理学助理教授 Ilker Yildirim,其他参与者还包括洛克菲勒大学的两位神经科学和行为学方面的教授Tenenbaum、Winrich Freiwald等。

    来源:机器之心
  • 02月07日 20:20
    MIT科学家公布一项锂金属阳极技术

    2月7日消息,据外媒报道,麻省理工学院(MIT)的科学家们近日公布了一项锂金属阳极技术,他们将金属锂置于蜂窝结构的MIEC管道中,并在金属锂之间留有空隙,从而释放金属锂因充电膨胀带来的应力,解决了固体电池研发中最关键的问题之一。

    通过这项技术,科学家们可以显著改善未来电池的寿命和能量密度。据项目主要负责人李博士(Ju Li)介绍,未来手机每三天充一次电将成为可能。

    来源:智东西
加载更多 ···