无人驾驶飞行器(UAV)是一种相对较新的技术。应用程序通常涉及复杂和看不见的问题。例如,他们可以在地面站的监督下在基于合作社的环境中工作,以加速关键的决策过程。然而,飞机和地面站之间交换的信息量受到高距离,低带宽尺寸,受限制的处理能力和能量限制的限制。这些缺点限制了诸如大的非常大的大规模操作。新的分布式最先进的处理架构,如雾计算,可以通过不同层次的数据采集,处理和存储来改善延迟,可扩展性和效率,以满足时间约束。在这些修订中,这项研究工作提出了一个数学模型分析基于分布的无人机拓扑和用于大规模任务和搜索操作的雾云计算框架。这些测试成功地预测了延迟和其他操作限制,使得分析计算优势优于传统的云计算架构。
translated by 谷歌翻译
人类活动识别(HAR)是一种分类任务,旨在通过从传感器数据中提取的特征来对人类活动进行分类或预测人类行为。典型的HAR系统使用具有内置感测功能的可穿戴传感器和/或手持设备和移动设备。由于智能手机的广泛使用以及在所有当代智能手机(例如,加速度计和陀螺仪)中包括各种传感器,它们通常用于从传感器提取和收集数据,甚至用于实现HAR系统。当使用移动设备(例如,智能电话)时,HARsystems需要处理关于电池,计算和存储器的若干约束。这些约束强制要求系统能够管理资源并保持可接受的分类准确度。此外,若干因素可影响活动识别,例如分类模型,传感器可用性和特征提取的数据窗口大小,使得稳定的准确性成为困难的任务。在本文中,我们提出了一个半监督分类器和一个关于高参数配置对分类准确性的影响的研究,取决于每个用户的使用和活动。本研究的重点是感知PAMAP2数据集提供的数据。实验结果表明,通过调整超参数(如窗口大小和窗口重叠因子),可以保持分类准确性,这取决于用户和执行的活动。这些实验推动了系统的开发,该系统能够自动地为每个用户执行的活动提供超参数设置。
translated by 谷歌翻译
人类通常会教他们的同伴合作者通过少数示威来执行任务。通过指导来纠正或扩展学习的任务以完成特定的任务目标。采用类似的框架通过示范和指导来强化机器人,使教学任务非常直观。与需要多次演示的传统的演示学习(LfD)方法不同,我们提供了从演示方法学习任务的一次性学习。使用两层评估/修改来校正和概括所学习的任务。首先,机器人自己评估其性能并将性能校正为更接近于证明的任务。然后,教练被用作扩展政策的手段,以适应不同的任务目标。使用强化学习(RL)方法实现自我评估和教学。教练通过人工反馈实现预期目标和行动修改,以普及到指定的任务目标。通过呈现单个演示,通过ascooping任务评估所提出的方法。自我评估框架旨在减少媒体中对舀取的抵制。为了减少RL的这些空间,我们使用阻力理论获得的最小阻力路径进行搜索。教练用于概括学习任务政策以转移所需数量的材料。因此,所提出的方法提供了用于从一次演示中学习任务并使用人工反馈通过指导来概括它的框架。
translated by 谷歌翻译
有大量复杂的动态系统对我们的日常生活和社会至关重要但却难以理解,即使今天有可能感知和收集大量的实验数据,它们也是如此复杂和不断发展,以至于它们的动力不太可能将被详细了解。然而,通过计算工具,我们可以尝试最好地利用当前技术和可用数据。我们认为,最有用的模型将在有限的知识或多个假设的背景下考虑系统复杂性和可用数据之间的不平衡。生物细胞的复杂系统是在系统生物学中研究的这种系统的一个主要例子,并且激发了本文提出的方法。它们是作为DARPA快速威胁评估(RTA)计划的一部分而开发的,该计划涉及对影响人体细胞的毒素或药物的作用机制(MoA)的理解。结合使用高斯过程和抽象网络建模,我们提出了三种基本的不同的基于机器学习的方法来学习因果关系,并从高维时间序列数据中合成因果网络。虽然其他类型的数据可用并且已经在我们的RTA工作中进行了分析和整合,但我们关注的是本文中从高通量微阵列实验获得的转录组学(即基因表达)数据,以说明我们的算法的能力和局限性。我们的算法使得不同但总体上相对较少的生物学假设,因此它们适用于其他类型的生物数据,甚至可能适用于其他复杂系统,这些系统具有高维度但不具有生物学性质。
translated by 谷歌翻译
颅骨剥离被定义为从全头磁共振图像〜(MRI)分割脑组织的任务。它是神经图像处理管道中的关键组件。下游可变形配准和全脑分割性能高度依赖于准确的颅骨剥离。由于该年龄段头部和大脑的显着大小和形状可变性,因此对于婴儿〜(年龄范围0-18个月)头部MRI图像来说,刀片剥离是一项特别具有挑战性的任务。范围。随着时间的推移,婴儿脑组织的发育也会改变$ T_1 $加权图像的对比度,这使得一致的人们难以接受任务。用于成人脑部MRIsullstripping的现有工具不具备处理这些变化的能力,并且需要专门的婴儿MRI头部剥离算法。在本文中,我们描述了asupervised skullstripping算法,该算法利用三个训练的完全卷积神经网络〜(CNN),每个神经网络分别在轴向,冠状和矢状视图中分割2D $ T_1 $加权的视图。三个视图中的三个概率分割是线性融合和阈值化以产生最终的大脑掩模。我们将我们的方法与现有成人和婴儿颅骨剥离算法进行了比较,并且基于骰子重叠度量〜(平均骰子为0.97)和手动标记的背景真实数据集显示出显着的改善。在多个未标记的数据集上进行标签融合实验表明,我们的方法是一致的,故障模式较少。此外,我们的方法计算速度非常快,在NVidia P40 / P100 / Quadro 4000 GPU上运行时间为30秒。
translated by 谷歌翻译
人类分类是心理学中认知建模最重要和最成功的目标之一,但数十年的竞争模型的开发和评估取决于一小组简单的人工实验刺激。在这里,我们将这种建模范式扩展到自然图像领域,揭示了刺激表征在分类中所扮演的关键角色及其对人们如何形成类别的结论的影响。将分类心理模型应用于自然图像需要两个显着的进步。首先,我们进行了第一次人体分类的大规模实验研究,涉及来自10个非重叠对象类别的10,000个自然图像的超过500,000个人类分类判断。其次,我们通过探索当前监督和无监督的深度和浅层机器学习方法,解决了在认知模型中代表高维图像的传统瓶颈。我们发现选择具有足够表达力,数据驱动的表示对于捕获人类分类至关重要,并且使用这些表示允许表示具有抽象原型的类别的简单模型优于使用较少自然主义刺激在研究中占主导地位的更复杂的基于记忆的样本分类帐户。
translated by 谷歌翻译
向重症监护医生提供来自多种监测系统的大量患者信息和测量结果。人类处理这种复杂信息的有限能力阻碍了医生容易地识别并对患者恶化的早期迹象采取行动。我们使用机器学习基于具有240个患者年数据的高分辨率ICU数据库开发用于循环衰竭的早期预警系统。该自动系统预测90.0%的循环衰竭事件(患病率为3.1%),81.8%预先确定超过两小时,导致接收器操作特征曲线下面积为94.0%,精确召回曲线下面积为63.0% 。该模型在大型独立患者队列中进行了外部验证。
translated by 谷歌翻译
果蝇的行为表型是生物学和医学研究中的重要手段,用于识别对动物行为的遗传,病理或心理影响。
translated by 谷歌翻译
在社交媒体上发布的图像的真实性是一个日益严重的问题。已经开发了许多算法来检测被操纵的图像,但是已经研究了基于深度神经网络的方法来验证图像标签(例如事件名称)的真实性的能力。在本文中,我们提出了几种新方法来预测图像是否在几个值得注意的事件中被捕获。我们使用来自几个记录事件的一组图像,如风暴,马拉松,抗议和其他大型公共聚会。提出了应用预先训练的Imagenet网络进行事件验证的两种策略,每种策略都有两个修改。第一种方法使用来自预训练网络的最后卷积层的特征作为分类器的输入。我们还考虑了调整预训练网络的卷积权重以改善分类的效果。第二种方法结合了从较小尺度提取的许多特征,并使用预先训练的网络的输出作为第二分类器的输入。对于这两种方法,我们研究了几种不同的分类器,并测试了许多不同的预训练网络。我们的实验证明这两种方法都对事件验证和图像重用检测有效。全球范围内的分类倾向于略微优于我们测试的本地方法,并且对网络进行微调可以进一步改善结果。
translated by 谷歌翻译
我们将因果决策问题定义为决策问题,其中通过因果图形模型$ \ mathcal {G} $的变量来关联可用事件,不确定事件族和结果集。提出了基于Pearl的Do-Calculus和期望效用标准的解决方案标准。该标准的实施导致在线决策过程已被证明具有与经典强化学习算法类似的性能,同时允许学习环境的非因果模型。因此,我们的目标是提供基于因果信息的决策过程的有用性和最优性的理论保证。
translated by 谷歌翻译