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
机器人辅助治疗(RAT)已经成功地用于HRI研究,其中包括社交机器人在医疗保健干预中,因为它们能够吸引人类用户的社交和情感维度。该主题的研究项目遍布全球,遍及美国,欧洲和亚洲。所有这些项目都有一个雄心勃勃的目标,即增加无辜人口的福祉。 RAT的典型工作是使用遥控机器人进行的;一种名为Wizard of of Oz(WoZ)的技术。机器人通常由操作人员控制,患者不知道。然而,从长远来看,WoZ已被证明不是一种可持续发展的技术。为机器人提供自主权(同时保持在治疗师的监督下)有可能减轻治疗师的负担,不仅在治疗方面本身,而且在长期诊断任务中。因此,需要探索在治疗中使用的社交机器人的几个自治程度。增加机器人的自主权也可能带来一系列新的挑战。特别是,需要回答新的道德问题,即使用弱势群体的机器人,以及需要确保符合道德规范的机器人行为。因此,在本次研讨会中,我们希望收集研究结果并探索哪种程度的自主权可能有助于改善医疗保健干预措施,以及我们如何克服其固有的道德挑战。
translated by 谷歌翻译
涉及多艘船舶的海上碰撞被认为是罕见的,但在2017年,美国海军的几艘船只涉及致命的海上碰撞,导致17名美国军人死亡。本文介绍的实验是对这些事件的直接反应。我们提出了一种基于视频图像处理的舰载碰撞 - 海上避让系统,它将有助于确保海上船只的安全驻留和导航。我们的系统利用在合成海事图像上训练的卷积神经网络,以便在场景中检测附近的船只,对检测到的船只进行航向分析,并在入境船舶存在的情况下提供analert。此外,我们还提供了导航危害 - 合成(NAVHAZ-Synthetic)数据集。该数据集包括从虚拟船载摄像机观察到的十个船级的一百万个注释图像,以及人类“Topside Lookout”视角。 NAVHAZ-Synthetic包括显示不同海况,光照条件和光学降解(如雾,海浪和盐积累)的图像。我们展示了在基于计算机视觉的海上碰撞预警系统中使用合成图像的结果,该系统具有良好的性能。
translated by 谷歌翻译
由于城市化和个人流动性的增加,在世界上大多数大都市地区发生拥堵和低效的交通管理。非常必要的智能交通控制系统,能够减少拥堵,依赖于城市道路网和高速公路交通情况的测量。不幸的是,仪器测量流量测量是昂贵的并且没有广泛实施。本文解决了这个问题,其中几何深度学习算法使用相对便宜且易于安装的环路探测器,该算法在道路网络的空间环境中使用环路探测器数据,以估计信号交叉口前面的队列长度,然后可以用于以下交通管制任务。因此,在该工作的第一部分中,实现了基于逐秒回路检测器数据的队列长度的常规估计方法(不使用机器学习技术),其使用队列中检测到的冲击波来估计长时间的时间点。最大队列。该方法稍后用作参考,但也作为几何深度学习方法的附加输入信息。在第二部分中,开发了几何深度学习算法,该算法利用道路网络中的空间相关性,但通过新的关注机制在探测器数据时间序列中进行时空相关,以克服传统方法的局限性,如过度需求,车道变换和走走停停交通。因此,有必要在图中抽象出道路网络的拓扑结构。 Bothapproaches在性能,可靠性和限制方面进行了比较,并通过交通仿真软件SUMO(Urban of Urban MObility仿真)的使用进行了验证。最后,结果在结论中进行了讨论,并提出了进一步的研究。
translated by 谷歌翻译
近年来见证了基于可穿戴传感器数据的人类活动识别(HAR)的快速发展。人们可以在这方面找到许多实用的应用,特别是在医疗保健领域。许多机器学习算法,例如决策树,支持向量机,NaiveBayes,K-Nearest Neighbor和Multilayer Perceptron,都成功地用于了HAR。尽管这些方法快速且易于实施,但由于在许多情况下性能较差,它们仍然存在一些限制。在本文中,我们提出了一种基于集成学习的新方法,以提高这些机器学习方法对HAR的性能。
translated by 谷歌翻译
有限混合模型是聚类方法的重要分支,可以应用于混合类型变量的数据集。但是,其应用存在挑战。首先,它通常依赖于EM算法,该算法可能对初始值的选择敏感。其次,在临床数据中遇到常见的检测限(LOD)生物标志物,其将检验变量转化为有限混合模型。此外,由于可用于聚类的变量数量增加,研究人员最近对变量重要性越来越感兴趣。为了解决这些挑战,我们提出了贝叶斯有限混合模型,同时进行变量选择,考虑生物标志物LOD并获得聚类结果。我们采用贝叶斯方法来获得参数估计和聚类成员资格,以绕过EM算法的限制。为了支持LOD,我们在Gibbs采样中再添加一步,以迭代填充低于或高于LOD的生物标记值。另外,我们在每个变量上放置一个先前的spike-and-slabtype来获得变量重要性。在各种情况下进行模拟以检查该方法的性能。还进行了电子健康记录的实际数据应用。
translated by 谷歌翻译
数据分类存在于不同的实际问题中,例如识别图像中的图案,区分生产线中的缺陷部分,对良性和恶性肿瘤进行分类等。这些问题中的许多都具有难以识别的数据模式,这需要更先进的分辨技术。最近,已经应用了几种针对不同人工神经网络架构的工作来解决分类问题。当分类问题必须通过图像获得时,目前,标准方法是使用卷积神经网络。因此,在本报告中,卷积神经网络被用来对鱼类进行分类。 Classifica \ c {c} \〜ao de dados est \'a presente em diversos problemas reais,tais como:reconhecer padr \〜oes em imagens,diferenciar pe \ c {c} as defeituosasem uma linha de produ \ c {c} \〜ao,classificar tumores benignos e malignos,dentrediversas outras。 Muitos认为问题可能是错误的问题,他们可能会发现问题,但是他们会在这里找到问题,他们会在这里找到自己的想法。 Recentemente,diversos trabalhosabordando diferentes arquiteturas de redes neurais artificiais v \ ^ em sendoaplicados para solucionar problemas de classifica \ c {c} \ ~ao。 Quando aclassifica \ c {c} \〜ao do problema deve ser obtida por meio de imagens,atualmentea metodologia padr \〜ao \'e udes de redes neurais convolucionais。 Sendo assim,neste trabalho s \〜ao utilizadas redes neurais convolucionais paraclassifica \ c {c} \ ~ao de esp \'ecies de peixes。
translated by 谷歌翻译
聚类是发现数据模式的基本技术。多年来数据量和复杂性的不断增加导致了新聚类算法的改进和发展。然而,尽管具有混合类型的数据丰富,特别是在医学领域,但是可以使用混合变量类型(连续和分类)聚类数据的算法仍然是有限的。在现有的混合数据方法中,一些不可验证的分布假设或不同变量类型的贡献不能很好地平衡。我们提出了一种基于混合密度和分区的两步算法(HyDaP),它可以在变量选择后检测聚类。第一步涉及基于密度和基于分区的算法,以识别由连续变量形成的数据结构,并识别聚类的重要变量;第二步涉及基于分区的算法以及我们为混合数据设计的新的相异度度量,以获得聚类结果。我们进行了各种场景和数据结构的模拟,以检验HyDaP算法与同时使用的方法相比的性能。我们还将HyDaP算法应用于电子健康记录,以识别败血症表型。
translated by 谷歌翻译
在本文中,我们使基于测地距离的递归滤波器适应稀疏数据插值问题。所提出的技术是通用的,并且可以很好地应用于任何类型的稀疏数据。我们在定性和定量评估的三个实验中证明了优于其他插值技术的优势。此外,我们将我们的方法与EpicFlow光学流程论文中流行的插值算法进行了比较,该算法由相似的测地距离原理直观地推动。比较表明,我们的算法比EpicFlow插值技术更准确,速度更快。
translated by 谷歌翻译
乳腺癌是最常见的侵袭性癌症,女性癌症发生率最高。手持式超声是鉴别和诊断乳腺癌的最有效方法之一。病变的面积和形状信息对临床医生做出诊断决定非常有帮助。在这项研究中,我们提出了一种新的深度学习方案,半像素循环生成对侧网(SPCGAN),用于在2D超声中分割病变。该方法利用完全连接的卷积神经网络(FCN)和生成性对抗网络的优点,通过使用先验知识来对病变进行分割。我们将所提出的方法与完全连接的神经网络和水平集分割方法进行比较,测试数据集包括32个恶性病变和109个良性病变。我们提出的方法实现了0.92的Dice相似系数(DSC),而FCN和水平集分别达到0.90和0.79。特别是对于恶性病变,我们的方法将完全连接的神经网络的DSC(0.90)显着增加到0.93(p $ <0.001)。结果表明我们的SPCGAN可以获得稳健的分割结果,并可能用于减轻放射科医生的负担用于注释。
translated by 谷歌翻译