了解皮质回路的信息处理角色是神经科学和人工智能中的一个突出问题。贝叶斯推理的理论设置已被建议作为理解皮质计算的框架。基于最近发表的用于视觉推理的生成模型(George等,2017),我们推导出一系列解剖学实例化和功能性皮层电路模型。与贝叶斯推理的简单模型相反,潜在的生成模型的代表性选择通过需要有效推理和强泛化的现实任务来验证。通过系统地比较该模型的计算要求与已知的解剖学约束来获得皮层电路模型。推导的模型表明在不同的薄层和柱中观察到的前馈,反馈和侧向连接的精确功能作用,并为通过丘脑的路径分配计算作用。
translated by 谷歌翻译
预测自然图像中的显着区域需要检测场景中存在的对象。为了为这项具有挑战性的任务开发强大的表示,必须通过上下文信息提取和扩充多个空间尺度的高级视觉特征。然而,旨在解释人类固定图的现有模型并未明确地包含这样的机制。在这里,我们提出了一种基于在大规模图像分类任务上预训练的卷积神经网络的方法。该体系结构形成编码器 - 解码器结构,并包括具有不同扩张率的多个卷积层的模块,以并行捕获多尺度特征。此外,我们将得到的表示与全局场景信息相结合,以准确地预测视觉显着性。我们的模型在两个公共显着性基准上获得了竞争性结果,并且我们证明了所选方法的建议方法的有效性。该网络基于轻量级图像分类主干,因此为具有有限计算资源的应用程序提供了合适的选择,以便在复杂的自然场景中估计人类注视。
translated by 谷歌翻译
使用无干3D超声(US)进行心导管检查的快速准确的导管检测可以提高干预的效率和结果。然而,美国的低图像质量需要额外的训练forsonographers定位导管。在本文中,我们提出了一种基于预先训练的VGG网络的导管检测方法,该方法通过重新组织的横截面利用3D信息通过共同完全卷积网络(FCN)对导管进行分割,FCN称为方向融合FCN( DF-FCN)。基于DF-FCN的分割图像,可以通过模型拟合来定位导管。我们的实验表明,所提出的方法可以成功地在具有挑战性的离体3D USdataset中检测消融导管,该数据在猪心脏上收集。大量分析表明,与最先进的仪器检测方法相比,所提方法的Dice得分为57.7%,至少提高了11.8%。由于DF-FCN的分割性能得到改善,导管可以定位,误差仅为1.4 mm。
translated by 谷歌翻译
任务机器学习预测时间序列的片段需要使用来自时间序列的输入/输出对来估计ML模型的参数。使用统计数据同化和监督机器学习之间的等价,我们重新审视了这个任务。机器的训练方法利用精确退火方法来识别动作的全局最小值(-log [P])。通过这种方式,我们能够确定在时间序列中产生良好概括(预测)所需的训练对的数量。我们从标量时间序列$ s(t_n)开始; t_n = t_0 + n \ Delta t $并使用非线性时间序列分析的方法显示如何产生$ D_E> 1 $维度时间延迟嵌入空间,其中时间序列没有假邻居,观察到的$ s(t_n)$时间也是如此系列。在$ D_E $ -dimensional空间中,我们探索使用前馈多层感知器作为在$ D_E $ -dimensional输入和生成$ D_E $ -dimensional输出上运行的网络模型。
translated by 谷歌翻译
我们考虑了两组分类问题,并提出了一个基于最优评分框架的内核分类器。与以前的方法不同,我们为方法的预期风险一致性提供理论保证。我们还允许通过使用加权内核强加结构化稀疏性来进行特征选择。我们提出了用于选择所有调整参数的全自动方法,特别是针对岭参数选择调整核收缩思想。数值研究表明,与现有的非参数分类器相比,该方法具有优越的分类性能。
translated by 谷歌翻译
准确地确定材料(有机物或无机物)的晶体结构是材料开发和分析中的关键主要步骤。最常见的实践涉及在实验室XRD,TEM和同步加速器X射线源中产生的衍射图案的分析。然而,这些技术很慢,需要仔细的样品制备,难以接近,并且在分析过程中容易出现人为错误。本文介绍了一种新开发的方法,它代表了基于电子衍射的结构分析技术的范式变化,有可能彻底改变多晶相关领域。利用电子背散射衍射(EBSD)技术,展示并演示了一种基于机器学习的方法,用于快速和自主地识别金属和合金,陶瓷和地质样品的晶体结构,而无需事先了解样品。电子背散射衍射图案是从具有众所周知的晶体结构的材料中收集的,然后构建深度神经网络模型用于分类到特定的布拉维点阵或点群。这种方法的适用性来自计算机未知的样本的衍射图案,没有任何人类输入或数据过滤。这与传统的Hough变换EBSD相比,它要求您已经确定了样本中存在的相位。通过可视化卷积神经网络学习的对称特征来阐明神经网络的内部操作。确定模型寻找晶体学家将使用的相同特征,尽管没有明确地编程这样做。这项研究打开了通过几种电子衍射技术实现晶体结构自动化,高通量测定的大门。
translated by 谷歌翻译
早期发现癌症对于治疗和整体患者生存至关重要。在上呼吸消化道(UADT)中,用于鉴定恶性组织的金标准是侵入性活组织检查。最近,诸如共聚焦激光显微术和光学相干断层扫描(OCT)的非侵入性成像技术已被用于组织评估。特别是,在最近的一项研究中,专家仅使用OCT图像将UADT中的病变分类为其侵袭性。由于结果很有希望,病变的自动分类可能是可行的,可以帮助专家决策。因此,我们从OCT图像中解决了自动病变分类的问题。由于availabledataset非常小且数据质量有限,因此这项任务非常具有挑战性。然而,由于类似的问题在许多临床情景中是典型的,我们研究了在何种程度上仍然可以训练深度学习方法并将其用于决策支持。
translated by 谷歌翻译
我们提供了一个深度学习网络,可以检测场景中的多个小对象(数百到数千个),同时估计它们的x,y像素位置以及特征特征集(例如,目标方向和颜色)。所有估算都在单个正向传递中执行,这使得实现网络快速有效。在本文中,我们描述了我们网络的架构 - 绰号为ALIEN--并且在应用于车辆检测时,它的性能还要详细。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
我们介绍了一种基于功能空间上的近似贝叶斯推理而不是深度神经网络参数的有监督连续学习的新方法。我们使用通过将神经网络的最后一层的权重视为随机和高斯分布而获得的高斯过程。用于连续学习的功能正则化自然地通过以顺序方式应用变分稀疏GP推理方法来遇到新任务。在该过程的每个步骤中,构造当前任务的概要,其包括(i)诱导输入和(ii)在这些输入处的函数值的后验分布。本摘要通过出现在变分下界中的Kullback-Leiblerregularisation术语来定期学习未来任务,并减少灾难性遗忘的影响。我们充分发展了方法理论,并证明了它在分类数据集中的有效性,如Split-MNIST,Permuted-MNIST和Omniglot。
translated by 谷歌翻译