我们提出了VoxelMorph,一种快速,无监督,基于学习的可变形成对医学图像配准算法。传统的注册方法针对每对图像独立地优化目标函数,这对于大型数据集而言是耗时的。我们将注册定义为参数函数,实现为卷积神经网络(CNN)。在给定一组感兴趣的图像的情况下,对其全局参数进行优化。给定一对新的扫描,VoxelMorph通过直接评估函数来快速计算变形场。我们的模型非常灵活,可以使用任何可微分的目标函数来优化这些参数。在这项工作中,我们提出并广泛评估标准图像匹配目标函数以及可以使用辅助数据的目标函数,例如仅在训练时可用的解剖学分割。我们证明无监督模型的准确性与现有技术相当,而操作数量级更快。我们还发现,使用辅助数据训练的VoxelMorph可显着提高测试时的注册准确性。我们的方法有望显着加速医学图像分析和处理管道,同时促进基于学习的注册及其应用的新方向。我们的代码可以在voxelmorph.csail.mit.edu上免费获得。
translated by 谷歌翻译
Heterogeneous network embedding (HNE) is a challenging task due to the diverse node types and/or diverse relationships between nodes. Existing HNE methods are typically unsupervised. To maximize the profit of utilizing the rare and valuable supervised information in HNEs, we develop a novel Active Heterogeneous Network Embedding (Ac-tiveHNE) framework, which includes two components: Discriminative Heterogeneous Network Embedding (DHNE) and Active Query in Heterogeneous Networks (AQHN). In DHNE, we introduce a novel semi-supervised heterogeneous network embedding method based on graph convolutional neu-ral network. In AQHN, we first introduce three active selection strategies based on uncertainty and representativeness, and then derive a batch selection method that assembles these strategies using a multi-armed bandit mechanism. ActiveHNE aims at improving the performance of HNE by feeding the most valuable supervision obtained by AQHN into DHNE. Experiments on public datasets demonstrate the effectiveness of ActiveHNE and its advantage on reducing the query cost.
translated by 谷歌翻译
随着网络信息技术的快速发展,越来越多的人沉浸在网络带来的虚拟社区环境中,忽视了现实生活中的社会互动。随之而来的诽谤问题变得越来越严重。通过宠物机器人和育种者之间的情感沟通促进人与人之间的离线沟通“解决了这个问题,并开发了一种名为”汤姆“的设计。”汤姆“是一个智能宠物机器人,具有基于petrobot的社交机制,名为”Tom-本文的主要贡献是提出一种名为“Tom-Talker”的社交机制,鼓励用户离线社交。“Tom-Talker”也有相应的奖励机制和朋友推荐算法。它还提出了一个宠物机器人名为“汤姆“通过情感交互算法识别用户的情绪,模拟动物的情绪,并用情感进行交流。本文设计实验并分析结果。结果表明,荆棘机器人对解决城市自闭症问题有很好的效果。
translated by 谷歌翻译
我们考虑获取一方不拥有的一组数据(例如图像)的请求者。为了收集所有数据,众包机制已被广泛用于寻求人群的帮助。但是,现有的第三方平台机制以及来自这些平台的工作人员并不是必需的,而且冗余数据也没有得到妥善处理。为了解决这个问题,我们提出了一种基于社交网络的新型众包机制,其中工人的回报通过信息熵和修改后的Shapley值来计算。这种机制激励网络中的工作者不仅提供他们拥有的所有数据,而且还进一步邀请他们的邻居提供更多数据。最终,该机制能够通过受约束的奖励来获取网络上所有工作人员的所有数据。
translated by 谷歌翻译
我们考虑固定价格机制设计设置,卖方通过社交网络销售oneitem,但卖方最初只能直接与邻居沟通。网络中的每个其他节点都是潜在的买方,其估值来自共同分布。使用标准的固定价格机制,卖家只能在她的邻居中出售物品。为了增加收入,她需要更多的买家加入销售。为了实现这一目标,我们提出了第一个固定价格机制来激励这些邻居告知他们的邻居有关销售的信息并最终通知网络中的所有买家以提高卖家的收入。与同一目的的现有机制相比,我们的机制不需要买方揭示其估值,并且计算上容易。更重要的是,它保证了收益的改善至少是最优的1/2。
translated by 谷歌翻译
执法部门或大众媒体机构经常需要面对隐瞒提供隐私保护。共享敏感内容,其中遮蔽或减少技术可能未能完全消除所有可识别的痕迹,可能导致危及生命的后果。因此,能够系统地测量给定技术的面部遮蔽性能是至关重要的。在本文中,我们建议测量三种模拟技术的有效性:高斯模糊,中值模糊和像素化。通过在两种情况下识别编辑的面部来进行编辑:将遮蔽的面部分类为一组身份,并将遮蔽的面部与清晰面部的相似性进行比较。威胁建模还被认为是为每种研究的遮蔽技术提供漏洞分析。基于ourevaluation,我们表明基于像素化的面部遮蔽方法是最有效的。
translated by 谷歌翻译
Image feature extraction and matching is a fundamental but computation intensive task in machine vision. This paper proposes a novel FPGA-based embedded system to accelerate feature extraction and matching. It implements SURF feature point detection and BRIEF feature descriptor construction and matching. For binocular stereo vision, feature matching includes both tracking matching and stereo matching, which simultaneously provide feature point correspondences and parallax information. Our system is evaluated on a ZYNQ XC7Z045 FPGA. The result demonstrates that it can process binocular video data at a high frame rate (640 × 480 @ 162fps). Moreover, an extensive test proves our system has robustness for image compression, blurring and illumination.
translated by 谷歌翻译
时间序列的可靠准确预测在经济投资,交通规划,港口规划和设计等领域中起着至关重要的作用。海上时间序列的动态增长具有非常复杂,非线性和非平稳的特性。为了保证高质量的预测性能,我们建议首先采用经验模式分解(EMD)和集合EMD(EEMD)方法将原始时间序列分解为高频和低频分量。可以通过传统的神经网络(NN)方法直接预测低频分量。由于数学规律性较弱,预测高频分量更加困难。为了利用高频分量中的内在自相似性,这些分量将被分成几个连续的小(重叠)分段。然后选择具有高相似性的聚类片段以形成用于传统NN方法的更多特性数据集。这种重组策略可以帮助提高高频分量的预测精度。通过对预测的高频和低频分量进行积分来获得最终预测结果。我们提出的三步预测框架受益于时间序列分解和类似的分段分组。港口货物吞吐量和船舶交通流量的实验表明,它在预测精度和鲁棒性方面具有优越的性能。
translated by 谷歌翻译
诸如彩色图像和多光谱图像之类的张量图像数据集是高度相关的,并且它们包含许多图像细节。本文的主要目的是提出并开发一种正则化张量完成模型fortensor图像数据完成。在目标函数中,我们采用新的张量核范数(TNN)来表征这种图像数据集的全局结构。此外,我们制定了一个隐式正则化器来插入卷积神经网络(CNN)降噪器,它被证实能够表达先前从大量自然图像中学习的图像。可以通过交替方向的乘法器算法有效地求解所得到的模型。实验结果(彩色图像,视频和多光谱图像)表明,图像全局结构和细节都可以很好地恢复,并说明所提出的方法在PSNR和SSIM方面的性能优于测试方法。
translated by 谷歌翻译
机器学习和计算机科学中的许多凸问题共享相同的形式:\ begin {align *} \ min_ {x} \ sum_ {i} f_i(A_i x + b_i),\ end {align *}其中$ f_i $是凸函数on $ \ mathbb {R} ^ {n_i} $,常数为$ n_i $,$ A_i \ in \ mathbb {R} ^ {n_i \ times d} $,$ b_i \ in \ mathbb {R} ^ {n_i} $和$ \ sum_i n_i = n $。这个问题推广了线性规划,包括许多问题,经验风险最小化。在本文中,我们给出了一个运行intime \ begin {align *}的算法O ^ *((n ^ {\ omega} + n ^ {2.5 - \ alpha / 2} + n ^ {2+ 1/6}) \ log(n / \ delta))\ end {align *}其中$ \ omega $是matrixmultiplication的指数,$ \ alpha $是矩阵乘法的双指数,$ \ delta $是相对精度。请注意,运行时只对条件数或其他数据相关参数具有对数依赖性,并且这些参数在$ \ delta $中捕获。对于当前绑定的$ \ omega \ sim 2.38 $ [Vassilevska Williams'12,Le Gall'14]和$ \ alpha \ sim 0.31 $ [Le Gall,Urrutia'18],我们的运行时$ O ^ *(n ^ {\ omega} \ log(n / \ delta))$匹配当前最佳解决密集最小二乘回归问题,这是我们考虑的问题的一个特例。最近,[Alman'18]证明了目前所有已知的技术都无法提供低于$ 2.168 $的更好的$ \ omega $,这比$ 2 + 1/6 $更大。我们的结果推广了当前矩阵乘法时间[Cohen,Lee,Song'19]中线性程序的最新结果,以解决更广泛的问题。我们的算法提出了两个与[Cohen,Lee,Song'19]不同的概念:$ \ bullet $我们给出一个鲁棒的确定性中心路径方法,而前一个是随机中心路径,它通过randomsparse向量更新权重。 $ \ bullet $我们提出了一种有效的数据结构,即使权重更新向量密集,也能维持内点方法的中心路径。
translated by 谷歌翻译