胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
本文介绍了为SemEval-2019竞赛任务5hat-Eval Basile等开发的系统。 (2019)(团队名称:LU团队)和任务6 OffensEvalZampieri等。 (2019b)(团队名称:NLPR @ SRPOL),我们在子任务C中获得了第二个位置。系统在一个集合中组合了几个模型(LSTM,Transformer,OpenAI的GPT,随机森林,SVM)和各种嵌入(自定义,ELMo,fastText) ,Universal Encoder)以及其他语言功能(黑名单数量,特殊字符等)。该系统采用多层黑名单和大量爬行数据,注释为一般攻击性。在本文中,我们对结果进行了广泛的分析,并展示了特征和嵌入的组合如何影响模型的性能。
translated by 谷歌翻译
图像质量在基于CNN的图像分类性能中起着重要作用。使用扭曲的样本对网络进行精细调整对于大型网络来说可能成本太高。为了解决这个问题,我们提出了一种优化的转移学习方法,以便考虑到在CNN的每一层中,一些滤波器比其他滤波器更容易受到图像失真的影响。我们的方法识别最易受影响的过滤器,并仅对过滤器应用重新训练,这些过滤器显示干净图像和失真图像之间的最高激活图距离。使用Borda计数选择方法对过滤器进行排序,然后仅微调受影响的过滤器。这显着减少了重新训练的参数数量。我们在CIFAR-10和CIFAR-100数据集上评估这种方法,在两种不同的模型和两种不同类型的失真上进行测试。结果表明,由于减少了微调参数的数量,所提出的传递学习技术由于输入数据失真而以相当于现有方法的相当快的速度恢复了大部分丢失的性能。当为训练提供很少的噪声样本时,我们的滤波器级微调表现特别好,也优于现有技术的层级传输学习方法。
translated by 谷歌翻译
本文提出了采集汤普森采样(ATS),这是一种基于随机过程采样多采集函数的思想的批量贝叶斯优化算法(BO)。我们通过采集函数对一组模型参数的依赖来定义该过程。 ATS在概念上简单,直接实现,与其他批处理BO方法不同,它可以用于并行化任何顺序采集功能。为了提高多模态任务的性能,我们表明ATS可以与现有技术结合以实现不同探索 - 利用交易,并考虑未决的功能评估。我们在各种基准函数和流行的梯度增强树算法的超参数优化上进行了实验。这些证明了我们的算法与两个最先进的批量BO方法的竞争力,以及它对经典并行Thompson采样BO的优势。
translated by 谷歌翻译
神经网络在软件中变得越来越普遍,因此能够验证它们的行为是很重要的。因为验证神经网络的正确性极具挑战性,所以通常关注这些系统的其他属性的验证。特别是一个重要的特性是鲁棒性。然而,大多数现有的鲁棒性定义都集中在输入是对偶的最坏情况。这种鲁棒性的概念太强大,并且不太可能被实际的神经网络所满足和可验证。观察神经网络的实际输入是从非对抗性概率分布中得出的,我们提出了一种新的鲁棒性概念:概率鲁棒性,它要求神经网络具有至少$(1 - \ epsilon)$概率的鲁棒性。输入分布。这种概率方法是实用的,并提供了估计神经网络鲁棒性的原则方法。我们还提出了一种基于抽象解释和重要性抽样的算法,用于检查神经网络是否具有概率稳健性。我们的算法使用抽象解释来近似神经网络的行为,并计算违反鲁棒性的输入区域的近似。然后,它使用重要采样来抵消这种过度近似的影响,并计算出神经网络违反鲁棒性的概率的准确估计。
translated by 谷歌翻译
在本文中,我们提出了一种方法,用于将从源域学习的序列标记的神经模型的知识转移到在目标域上训练的新模型,其中出现新的标签类别。 Ourtransfer学习(TL)技术使得能够使用目标数据和新类别来调整源模型,而无需访问源数据。 Oursolution包括在目标模式的输出层中添加新的神经元,从源模型传输参数,然后使用目标数据进行微调。此外,我们提出了一个神经适配器来学习源和目标标签分布之间的差异,它为目标模型提供了额外的重要信息。我们在NamedEntity识别上的实验表明,(i)当目标数据包含新类别时,源模型中的学习知识可以有效地传递;(ii)我们的神经适配器进一步改善了这种传递。
translated by 谷歌翻译
在本文中,我们介绍了一种最先进的实时跟踪器(CFNet)的变体,它增加了原始算法对目标损耗的鲁棒性,而没有显着的计算开销。新方法基于以下假设:特征图可用于更准确地估计跟踪置信度。当置信度较低时,我们避免通过要素图更新对象的位置;相反,跟踪器传递到单帧失效模式,在此模式期间,补丁的低级可视内容用于在下一帧中从目标丢失恢复之前,迅速更新对象的位置。通过对几个跟踪数据集评估方法提供的实验证据验证了特征图与跟踪置信度相关的理论假设,以及所提出的实现可以在多个场景中实现目标恢复,而不会影响实时性能。
translated by 谷歌翻译
我们介绍了一种方法来提供视觉分类任务的矢量表示,可以用来推断thosetasks的性质及其关系。给定具有地面实况标签和在这些标签上定义的损失函数的数据集,我们通过“探测网络”处理图像,并基于与探测网络参数相关联的Fisher信息矩阵的估计来计算嵌入。这提供了任务的固定维度嵌入,其独立于诸如类的数量之类的细节,并且不需要理解类标签语义。我们证明这种嵌入能够预测任务相似性,这些相似性与我们对不同视觉任务之间的语义和分类关系的直觉相匹配(例如,基于对不同类型的植物进行分类的任务是相似的)我们还展示了这个框架对于选择任务的主题的实际价值。用于新任务的预训练特征提取器。我们提供了一个简单的元学习框架,用于学习嵌入度量,它能够预测哪些特征提取器将表现良好。选择具有任务嵌入的特征提取器可以获得最佳可用特征提取器的性能,同时花费大大少于成本的训练和评估。所有可用的特征提取器。
translated by 谷歌翻译
图像中的无监督对象发现涉及揭示定义对象并将其与背景区分开的重复模式。这比图像聚类更具挑战性,因为对象的大小和位置未知:这增加了额外的自由度并增加了问题的复杂性。在这项工作中,我们提出了StampNet,这是一个novelautoencoding神经网络,它将形状(对象)定位在图像中的简单背景上,并同时对它们进行分类。 StampNet由一个离散的潜在空间组成,用于对对象进行分类并确定对象的位置。在训练期间形成对象类别,从而发现一组固定的对象。我们提供了一组实验,证明StampNet能够定位和聚合具有不同复杂性的重叠形状,包括来自MNIST数据集的数字。我们还介绍了StampNet在顶部深度图中行人定位的应用。
translated by 谷歌翻译
在这项工作中,我们提供了一个结构化预测的理论框架,它推广了现有的二元和多类分类的替代方法理论,它基于具有平滑凸代理的条件概率(例如逻辑回归)。该理论依赖于任务损失的结构特性的解剖特征,并允许在多标记,排序,序数回归和图匹配的背景下得到许多广泛使用的方法的统计保证。特别地,我们根据由链接函数组成的合适的Bregman散度来表征与给定任务损失兼容的平滑凸代理。这允许导出校准函数的紧密界限并获得关于结构化预测的现有替代框架的新颖结果,例如条件随机场和二次代理。
translated by 谷歌翻译