每日论文 | 用U-Net对人类活动进行辨认；在真实机器人身上实施强化学习算法标准任务；用深度卷积神经网络进行基因组研究

1

Human activity recognition based on time series analysis using U-Net

传统的基于时间序列的人类活动识别使用的是移动窗口分析法，这种方法面临多类窗口的问题，会对不同的采样点进行错误的标签分类。在这篇论文中，来自北邮的研究人员提出了基于U-Net的人类活动识别算法，可以在每个采样点对活动打上标签，并进行预测。

地址：https://arxiv.org/abs/1809.08113

2

Benchmarking Reinforcement Learning Algorithms on Real-World Robots

最近模拟、无模型的强化学习成为解决机器人控制任务的有效方法。受益于学习算法的开源和多种标准的模拟人物，很多研究者都能够重复生产学习算法，并大家自己的模型。为了进一步推动算法在现实中的实现，将模拟算法应用于现实的机器人之上是非常重要的。但是强化学习在现实中的应用很有限。在这篇论文中，研究人员提出了多种强化学习任务，可用于商用机器人，具备多个水平的学习难度、设置和可重复性。

地址：https://arxiv.org/abs/1809.07731

3

A universal SNP and small-indel variant caller using deep neural networks

虽然基因序列技术已有很大的进步，但是想从数十亿个短序列中精确找出基因变体是非常困难的任务。这里，我们提出了一种深度卷积神经网络，可以通过学习图像之间的数据关系，找出基因变体，这种方法称为DeepVariant，比目前其他的方法都要优秀。

地址：https://www.nature.com/articles/nbt.4235.epdf?author_access_token=q4ZmzqvvcGBqTuKyKgYrQ9RgN0jAjWel9jnR3ZoTv0NuM3saQzpZk8yexjfPUhdFj4zyaA4Yvq0LWBoCYQ4B9vqPuv8e2HHy4vShDgEs8YxI_hLs9ov6Y1f_4fyS7kGZ