使用高斯过程的贝叶斯优化是处理昂贵的黑盒功能优化的流行方法。然而,由于经典GaussianProcesses的协方差矩阵的平稳性的先验,该方法可能不适用于优化问题中涉及的非平稳函数。为了克服这个问题,提出了一种新的贝叶斯优化方法。它基于深度高斯过程的assurrogate模型而不是经典的高斯过程。该建模技术通过简单地考虑静态高斯过程的功能组合来提高表示的能力以捕获非平稳性,从而提供多层结构。本文提出了一种新的全局优化算法,通过耦合深度高斯过程和贝叶斯优化算法。通过学术测试案例讨论并突出了这种优化方法的特殊性。所提出的算法的性能在分析测试用例和航空设计优化问题上进行评估,并与最先进的固定和非静态贝叶斯优化方法进行比较。
translated by 谷歌翻译
高效全局优化(EGO)广泛用于优化计算上昂贵的黑盒功能。它使用基于高斯过程(克里金法)的替代建模技术。然而,由于使用了静态协方差,克里金不太适合近似非平稳函数。本文探讨了深度高斯过程(DGP)在EGO框架中的整合,以处理非平稳问题,并研究诱发的挑战和机遇。对分析问题进行数值实验以突出DGP和EGO的不同方面。
translated by 谷歌翻译
RoboCup中型联盟(RoboCup MSL)通过机器人足球比赛提供了一个标准化的测试平台,用于研究移动机器人导航,多机器人合作,通信和整合,其中环境是高度动态和对抗性的。这种区域的重要研究课题之一是动力学运动规划,它规划机器人的轨迹,同时避开障碍物并遵守其动力学。本文介绍了基于kinodynamic-RRT *方法的单向机器人动力学运动规划。在这项工作中也考虑了用于执行计划轨迹的轨迹跟踪控制。平移和旋转方向上的机器人运动规划是分离的。然后我们用双积分器模型实现了kinodynamic-RRT *来计划平移轨迹。使用满足速度和加速度约束的最小时间轨迹生成器生成旋转轨迹。然后使用PI-Control跟踪计划的轨迹。为了应对不断变化的环境,我们开发了用于运动规划和轨迹跟踪的concurrentsofware模块。使用基于RobotOperating System(ROS)的RoboCup仿真系统对所得系统进行应用和测试。仿真结果表明,运动规划系统能够生成无碰撞轨迹,轨迹跟踪系统能够跟踪生成的轨迹。还表明,在高度动态的环境中,在线方案能够重新规划该轨迹。
translated by 谷歌翻译
阿片类药物过量是美国日益严重的公共卫生危机。这种被称为“阿片类药物流行病”的危机具有广泛的社会后果,包括健康状况的恶化,以及犯罪率和家庭问题的增加。为了改善过量监测并确定预防工作所需的领域,在这项工作中,我们专注于使用实时犯罪动态预测阿片类药物过量。以前的工作确定了阿片类药物使用与犯罪活动之间的各种联系,例如经济动机和常见原因。在这些观察的启发下,我们通过利用犯罪事件的时空模式,提出了阿片类药物过量预测的小说时空预测模型。我们提出的模型包含多头注意网络,以学习不同的特征表示子空间。这种称为“社区关注”网络的深度学习架构允许通过区域的组(即,社区)的混合来优化给定位置的预测。此外,我们提出的模型允许解释哪些特征,从哪些社区,对预测当地事件有更多的贡献,以及通过预测捕获这些社区。我们在两个世界过量数据集上的结果表明,我们的模型实现了卓越的预测性能,并在犯罪动态与阿片类药物过量之间的时空关系方面提供了有意义的解释。
translated by 谷歌翻译
组织病理学载玻片通常由病理学家使用永久性标记物标记,永久性标记物不应被移除,因为它们构成医学记录的一部分。为了突出特征或其他下游处理(例如基因测序),常规肿瘤区域被标记。一旦数字化,就没有建立的方法从整个幻灯片图像中删除这些信息,限制了它在研究和研究中的可用性。从这些高分辨率的整个载玻片图像中去除标记油墨是非常重要且复杂的问题,因为它们以不一致的方式污染不同的区域。我们提出了使用卷积神经网络的高效管道,可以在不影响信息和图像分辨率的情况下实现无墨水图像。我们的管道包括用于精确分类污染图像瓦片的连续经典卷积神经网络,快速区域检测器和用于恢复背景像素的域适应周期一致的对抗生成模型。四个不同的整体幻灯片图像的定量和定性结果表明,我们的方法产生视觉上连贯的无墨水滑动图像。
translated by 谷歌翻译
内窥镜检查是一种常规成像技术,用于诊断和微创手术治疗。虽然内窥镜检查视频包含大量信息,但为临床报告目的而捕获此信息的工具相当差。到目前为止,内窥镜医师没有任何工具可以使他们以有效和用户友好的方式浏览视频数据。快速可靠的视频检索方法可以例如,允许他们查看先前检查的数据,从而提高他们监测疾病进展的能力。深度学习提供了以极其有效的方式压缩和索引视频的新方法。在这项研究中,我们建议使用自动编码器进行有效的视频压缩和快速检索视频图像。为了提高视频图像检索的准确性并解决多模态和视点变化等数据变化问题,我们建议集成一个Siamese网络。我们证明了我们的方法在从以前诊断的查询样本获得的3个不同患者的3个大型视频中检索图像方面具有竞争力。定量验证表明,与经典和变分自动编码器相比,组合方法分别产生了5%和8%的总体改进。
translated by 谷歌翻译
预见未来是智力的关键因素之一。它涉及了解过去和现在的环境以及其可能的动态的体面经验。在这项工作中,我们在活动的抽象层面处理未来的预测。我们提出了一个网络模块,用于以自我监督的方式学习环境动态学。为了将未来活动中的歧义和高度差异考虑在内,我们使用可以代表多个未来的多假设方案。我们通过对Epic-Kitchens和Breakfastdatasets的未来活动进行分类来证明这一方法。此外,我们生成描述未来活动的字幕
translated by 谷歌翻译
内窥镜伪影是促进中空器官疾病的诊断和治疗的核心挑战。精确检测特定伪像,如像素饱和度,运动模糊,镜面反射,气泡和碎片,对于高质量的帧恢复至关重要,对于实现可靠的计算机辅助工具以改善患者护理至关重要。目前,由于视频帧中存在大量的多类伪像,目前大多数内窥镜检查视频尚未进行分析。通过内窥镜伪影检测(EAD 2019)的挑战,我们通过解决内窥镜框架伪影的准确识别和定位来解决这一关键瓶颈问题,从而能够对不可用的视频帧进行进一步的关键定量分析,例如镶嵌和3D重建,这对于提供改善的患者护理至关重要。本文总结了挑战任务,并描述了在EAD 2019挑战中建立的数据集和评估标准。
translated by 谷歌翻译
模式分析通常需要预处理阶段来提取选择特征,以帮助分类,预测或聚类阶段以更好的方式区分或表示数据。这一要求的原因是原始数据复杂且难以处理而无需事先提取或选择适当的特征。本文回顾了不同常用的特征选择和提取方法的理论和动机,并介绍了它们的一些应用。对于这些方法也示出了一些数字实现。最后,比较了方法的选择性和提取方法。
translated by 谷歌翻译
灾难发生后,结构工程师团队从受损建筑物中收集大量图像,以获取新知识并从事件中汲取教训。然而,在许多情况下,所捕获的图像在没有足够空间背景的情况下被捕获。当损坏严重时,甚至可能很难识别建筑物。需要访问建筑物的灾前状况的图像以准确地识别故障原因或建筑物中的实际损失。在这里,为了解决这个问题,我们开发了一种方法,可以自动从360度全景图像(全景图)中提取事件前建筑图像。通过提供在目标建筑附近收集的地理标记图像作为输入,靠近通过街景服务(例如,Google或Bing在美国)下载的输入图像位置区域的全景图。通过计算全景图和目标建筑物之间的几何关系,识别最合适的全景图投影方向以生成建筑物的高质量2D图像。基于区域的卷积神经网络被用于识别那些2D图像内的建筑物。使用几个全景图,使得检测到的建筑物图像提供建筑物的各种视点。为了说明这项技术的能力,我们考虑了美国德克萨斯州假日海滩的住宅楼,它们在2017年的飓风哈维中经历了重大的破坏。利用在实际的灾后建筑侦察任务中收集的地理标记图像,我们通过成功提取住宅建筑图像来验证该方法。 Google街景视图,在活动前拍摄。
translated by 谷歌翻译