Explore des modèles générateurs pour la prévision de trajectoires dans les véhicules autonomes, y compris des modèles discriminatifs vs générateurs, VAES, GANS, et des études de cas.
Explore les modèles prédictifs et les traceurs pour les véhicules autonomes, couvrant la détection d'objets, les défis de suivi, le suivi en réseau neuronal et la localisation des piétons en 3D.
Couvre Infoscience, le dépôt des publications des chercheurs de l'EPFL et l'importance des principes d'accès libre, y compris les processus de soumission et les activités de bibliothèque.
Explore des applications scientifiques d'apprentissage automatique, des défis avec des données éparses et des algorithmes inspirés de la physique pour améliorer les méthodes spectrales.
Explore l'apprentissage en apprentissage profond pour les véhicules autonomes, couvrant les modèles prédictifs, RNN, ImageNet, et l'apprentissage de transfert.
Introduit l'apprentissage automatique scientifique, en mettant l'accent sur son application dans divers domaines scientifiques et sur le lien entre l'apprentissage automatique et la physique.
Explore l'apprentissage autosupervisé pour les véhicules autonomes, en dérivant des étiquettes de données elles-mêmes et en discutant de ses applications et de ses défis.
Explore la prévision des trajectoires dans les véhicules autonomes, en mettant l'accent sur les modèles d'apprentissage profond pour prédire les trajectoires humaines dans les scénarios de transport socialement conscients.
Se penche sur la prédiction des propriétés non scalaires au-delà des énergies dans l'apprentissage scientifique des machines, en se concentrant sur les moments dipolaires, la polarisabilité et la réponse diélectrique.
