尽管深度学习的卓越性能（DL）在许多分割任务上，但基于DL的方法令人惊奇地过于对高偏振标签概率的预测。对于许多具有固有标签歧义的许多应用通常是不可取的，即使在人类注释中也是如此。通过利用每张图片的多个注释和分割不确定性来解决这一挑战。但是，多次图像的批次通常不可用，在真实的应用程序中，不确定性在分段结果对用户的情况下不提供完全控制。在本文中，我们提出了新的方法来改善分割概率估计，而不会在真实情景中牺牲性能，我们只有每张图片只有一个暧昧的注释。我们将估计的网络分割概率图边缘化，这是鼓励/过度的网络上/过度段，而没有惩罚平衡分割。此外，我们提出了一个统一的HyperNetwork合奏方法，以减轻培训多个网络的计算负担。我们的方法成功地估计了反映了底层结构的分割概率图，并为具有挑战性的3D医学图像分割进行了直观控制。虽然我们所提出的方法的主要重点不是提高二元分割性能，但我们的方法略微超越了最先进的。该代码可用于\ url {https://github.com/sh4174/hypernetensemble}。
translated by 谷歌翻译
由于神经网络在关键领域起着越来越重要的作用，因此解释网络预测已成为关键研究主题。反事实解释可以帮助理解为什么分类器模型决定特定类分配的原因，此外，还必须如何修改各自的输入样本，以使类预测发生变化。先前的方法主要关注图像和表格数据。在这项工作中，我们提出了Sparce，这是一种生成对抗网络（GAN）体系结构，为多元时间序列生成稀疏的反事实解释。我们的方法提供了一个自定义的稀疏层，并根据相似性，稀疏性和轨迹的平滑性来规范反事实损失函数。我们评估了现实世界人类运动数据集的方法以及合成时间序列的可解释性基准。尽管我们比其他方法进行了明显的稀疏修改，但我们在所有指标上实现了可比或更好的性能。此外，我们证明我们的方法主要会修改显着的时间步骤和功能，从而使非征收输入未被触及。
translated by 谷歌翻译
现代农业中的基于UAV的图像检索使得能够收集大量的空间引用的裁剪图像数据。然而，在大规模的实验中，UAV图像患有复杂的冠层架构中的多份作物。特别是对于观察时间效应，这使得对几种图像的识别使得各种植物的识别和巨大的提取。在这项工作中，我们向基于可理解的计算机视觉方法缩写为“编目”的无人机缩写为“编目”的自动化时间和空间识别和个性化的实践工作流程。我们评估两个现实世界数据集的工作流程。记录一个数据集以观察Cercospora叶斑 - 在整个生长周期中的糖甜菜中的真菌疾病。另一个涉及花椰菜植物的收获预测。植物目录用于提取多个时间点看到的单植物图像。这会收集大规模的时空图像数据集，又可以应用于培训包括各种数据层的进一步机器学习模型。该方法显着改善了农业中无人机数据的分析和解释。通过验证一些参考数据，我们的方法显示了一种类似于更复杂的基于深度学习的识别技术的准确性。我们的工作流能够自动化工厂编目和训练图像提取，特别是对于大型数据集。
translated by 谷歌翻译
媒体覆盖范围对公众对事件的看法具有实质性影响。媒体框架事件的方式可以显着改变对社会的信仰和看法。尽管如此，众所周知，几乎所有媒体网点都以偏见的方式报告新闻。虽然可以通过改变单词选择或省略信息来引入这种偏差，但是偏差的感知也很大程度上取决于读者的个人背景。因此，媒体偏差是一个非常复杂的构造，用于识别和分析。尽管媒体偏见是许多研究的主题，但之前的评估策略过于简化，缺乏重叠和实证评估。因此，本研究旨在开发一种可以用作可靠标准来评估物品偏差的规模。为了命名一个例子：如果我们要问，打算衡量新闻文章中的偏见，“文章有多偏见？”或者我们应该改用，“文章是如何对待美国总统的？”。我们进行了文献搜索，以查找有关先前对该主题的文本看法的相关问题。在一个多迭代过程中，我们首先总结并缩小了这些问题，以结束关于偏见的完整和代表可能的问题类型。最终组由25个问题组成，答案格式不同，使用语义差异的17个问题，以及六个感受评级。我们在190条文章中测试了每个问题，总体上有663名参与者来确定问题衡量文章的感知偏见的程度。我们的研究结果表明，21项最终物品适合，可靠，以测量媒体偏差的看法。我们在http://bias -question-tree.gipplab.org/上发布最后一组问题。
translated by 谷歌翻译