随着最近的研究进展，深度学习模型已成为实时电信应用程序中声学回声取消（AEC）的有吸引力的选择。由于声学回声是音频质量差的主要来源之一，因此提出了各种各样的深层模型。但是，对良好回声取消质量的重要但经常忽略的要求是麦克风和远端信号的同步。通常，使用基于互相关的经典算法实现，对齐模块是具有已知设计限制的单独功能块。在我们的工作中，我们提出了一个基于内置自我注意的对准的深度学习体系结构，该架构能够处理不结盟的输入，从而改善了回声取消性能，同时简化了通信管道。此外，我们表明我们的方法可以在AEC挑战数据集中的真实记录上进行困难的延迟估计案例实现重大改进。
translated by 谷歌翻译
临床文本的自动汇总可以减轻医疗专业人员的负担。 “放电摘要”是摘要的一种有希望的应用，因为它们可以从每日住院记录中产生。我们的初步实验表明，放电摘要中有20-31％的描述与住院记录的内容重叠。但是，目前尚不清楚如何从非结构化来源生成摘要。为了分解医师的摘要过程，本研究旨在确定摘要中的最佳粒度。我们首先定义了具有不同粒度的三种摘要单元，以比较放电摘要生成的性能：整个句子，临床段和条款。我们在这项研究中定义了临床细分，旨在表达最小的医学意义概念。为了获得临床细分，有必要在管道的第一阶段自动拆分文本。因此，我们比较了基于规则的方法和一种机器学习方法，而后者在分裂任务中以0.846的F1得分优于构造者。接下来，我们在日本的多机构国家健康记录上，使用三种类型的单元（基于Rouge-1指标）测量了提取性摘要的准确性。使用整个句子，临床段和条款分别为31.91、36.15和25.18的提取性摘要的测量精度分别为31.91、36.15和25.18。我们发现，临床细分的准确性比句子和条款更高。该结果表明，住院记录的汇总需要比面向句子的处理更精细的粒度。尽管我们仅使用日本健康记录，但可以解释如下：医生从患者记录中提取“具有医学意义的概念”并重新组合它们...
translated by 谷歌翻译
我们提出了一种使用条件生成对抗网络（CGANS）在机器人关节空间和潜在空间之间转换的新方法，以进行无碰撞路径计划，该方法仅捕获以障碍物图来捕获关节空间的无碰撞区域。操纵机器人臂时，很方便地生成多个合理的轨迹进行进一步选择。此外，出于安全原因，有必要生成轨迹，以避免与机器人本身或周围环境发生碰撞。在提出的方法中，可以通过将开始和目标状态与此生成的潜在空间中的任意线段连接起来和目标状态来产生各种轨迹。我们的方法提供了此无碰撞潜在空间，此后，任何使用任何优化条件的计划者都可以使用任何计划器来生成最合适的路径。我们通过模拟和实际的UR5E 6-DOF机器人臂成功验证了这种方法。我们确认可以根据优化条件的选择生成不同的轨迹。
translated by 谷歌翻译
在标准异常检测问题中，在假设样本从单个正常数据源生成的假设下，检测模型在无监督的环境中训练。然而，在实践中，正常数据通常由多个类组成。在这样的设置中，学习在没有大规模标记数据之间的正常类之间的差异之间的差异之间的差异之间的差异存在挑战。在这项工作中，我们试图通过准备每个正常类的少数例子来克服这一挑战，这不是过度昂贵的。上述设置也可以被描述为多个正常类别的几次拍摄学习，其目标是学习异常检测的有用表示。为了利用培训中的有限标记的示例，我们将级别的距离集成在深度特征空间中的标记示例中，进入地图丢失。我们从信息理论原则中获得了他们的关系。我们的实证研究表明，所提出的模型可以改善深度特征空间中正常类的分割，这有助于识别异常类示例。
translated by 谷歌翻译