在这项工作中,提出了一个进化艺术项目,其中图像区域通过不同类型的透明,重叠和几何形状(例如,多边形,圆形,线条)进行近似。表示几何形状的特征和顺序的基因型利用适应度函数进化,该适应度函数具有输入图像的相应像素作为目标目标。因此,将基因型 - 表型作图应用于渲染图像,因为选择的遗传表示是间接的,即基因型不包括像素,而是形状与其性质的组合。形状,形状数量,突变类型和种群的不同组合进行了测试。这里的工作目标有两个:(1)用进化的间接编码尽可能精确地近似图像,(2)产生视觉上吸引人的结果和新颖的艺术风格。
translated by 谷歌翻译
早期发现癌症对于治疗和整体患者生存至关重要。在上呼吸消化道(UADT)中,用于鉴定恶性组织的金标准是侵入性活组织检查。最近,诸如共聚焦激光显微术和光学相干断层扫描(OCT)的非侵入性成像技术已被用于组织评估。特别是,在最近的一项研究中,专家仅使用OCT图像将UADT中的病变分类为其侵袭性。由于结果很有希望,病变的自动分类可能是可行的,可以帮助专家决策。因此,我们从OCT图像中解决了自动病变分类的问题。由于availabledataset非常小且数据质量有限,因此这项任务非常具有挑战性。然而,由于类似的问题在许多临床情景中是典型的,我们研究了在何种程度上仍然可以训练深度学习方法并将其用于决策支持。
translated by 谷歌翻译
计算市场均衡是市场设计(例如公平分配,项目分配)的重要实际问题。然而,计算均衡需要大量信息(例如,所有购买者的所有估值)和计算能力。我们考虑通过应用用于解决复杂游戏的方法来改善这些问题:构建给定市场的粗略抽象,解决抽象中的均衡,以及将价格和分配提升回原始市场。我们展示了当抽取的价格和分配用于代替实际均衡时,如何限制诸如遗憾,嫉妒,纳什社会福利,Paretooptimality和maximin份额等重要数量。然后,我们研究了两种从业者感兴趣的抽象方法:1)使用矩阵完成技术填写未知估值; 2)通过将购买者/项目组聚合成较少数量的代表性购买者/项目并在这个粗化市场中解决均衡来减小问题规模。我们发现在实际数据中,相对接近均衡的分配/价格可以通过非常粗略的抽象来计算。
translated by 谷歌翻译
传统的冯·诺依曼计算机体系结构在小型化和热量产生方面都面临着严重的障碍,从而提高了性能。人工神经(神经形态)基质代表了解决这一挑战的另一种方法。这些系统的一个特殊子集遵循“物理建模”的原理,因为它们直接使用底层衬底的物理特性来实现计算组件的计算。虽然这些系统可能比传统计算机更快和/或更高能效,但它们需要可靠的模型,以应对其在可控性和参数范围方面的固有限制。由于大脑面临着类似的挑战,因此健壮模型的灵感来源于自然科学。最近人们提出,采用神经元的尖峰动力学进行采样可能既适合作为人工神经基质的生成模型,也可作为判别模型。在这项工作中,我们介绍了在BrainScaleS物理模型系统上采用泄漏整合和激发神经元的采样实现。我们证明了网络的采样特性,并证明了它对高维数据集的适用性。所需的随机性由同一衬底上的尖峰随机网络提供。这允许系统以自己的方式运行而无需来自恶臭环境的外部随机输入。该实现提供了作为大规模生物相关仿真的构建块的基础,作为快速近似采样器或实现(未来几代)加速尖峰神经形态硬件的片上学习的框架。我们的工作有助于在物理模型系统上开发可靠的计算。
translated by 谷歌翻译
核心集是促进大数据集分析的核心方法之一。我们继续最近的一系列研究,将核心理论应用于逻辑回归。首先,我们展示了一个负面结果,即没有强大的次线性大小的核心集用于逻辑回归。为了处理棘手的最坏情况实例,我们引入了复杂性度量$ \ mu(X)$,它量化了压缩逻辑回归数据集的硬度。 $ \ mu(X)$具有直观的统计解释,可能与其无关。对于有限$ \ mu(X)$ - 复杂度的数据集,我们展示了一种新颖的灵敏度采样方案产生了第一个可证明的次线性$(1 \ pm \ varepsilon)$ - coreset。我们通过比较均匀采样以及该区域的现有技术方法来说明我们方法的性能。该实验是针对逻辑回归的真实世界基准数据进行的。
translated by 谷歌翻译
我们提出了一种使用单个神经网络检测图像中的对象的方法。我们的方法名为SSD,将边界框的输出空间离散化为一组默认框,在每个要素图位置的不同宽高比和尺度上。在预测时,网络生成每个默认框中每个对象类别的存在的分数,并产生对框的调整以更好地匹配对象形状。另外,网络将来自具有不同分辨率的多个特征映射的预测组合以自然地处理各种大小的对象。我们的SSD模型相对于需要对象提议的方法而言是充分的,因为它完全消除了提议生成和后续像素或特征重采样阶段,并将所有计算封装在单个网络中。这使得SSD易于配置并且可以直接集成到需要检测组件的系统中。 PASCAL VOC,MS COCO和ILSVRC数据集的实验结果证实,SSD具有与使用附加对象提议步骤的方法相当的准确性,并且速度更快,同时为训练和推理提供统一的框架。与其他单级方法相比,即使输入图像尺寸较小,SSD的精度也要高得多。对于$ 300 \ times300 $输入,SSD在NFCidia TitanX上以58 FPS进行VOC2007测试时达到72.1%mAP,500美元/ 500美元输入,SSD达到75.1%mAP,优于可比较的最先进的R-CNN模型。代码可以通过以下网址获得://github.com/weiliu89/caffe/tree/ssd。
translated by 谷歌翻译
我们提出了一种基于深度神经网络(DNN)的人体姿态估计方法。姿势估计被公式化为基于DNN的回归问题,用于身体关节。我们提出了一系列这样的DNN回归量,这导致了高精度姿态估计。该方法具有以整体方式推理姿势的优点,并且具有简单但强大的配方,其充分利用了深度学习的最新进展。我们在四个不同真实世界图像的学术基准上提供了一个详细的实证分析,具有最先进或更好的表现。
translated by 谷歌翻译
深度卷积神经网络最近在许多图像识别基准上实现了最先进的性能,包括ImageNetLarge-Scale视觉识别挑战(ILSVRC-2012)。本地化子任务的获胜模型是一个网络,它预测单个边界框和图像中每个对象类别的置信度分数。这样的模型捕获对象周围的整个图像上下文,但是不能处理图像中同一对象的多个实例而不能天真地复制每个实例的输出数量。在这项工作中,我们提出了一种用于检测的显着性启发神经网络模型,该模型预测一组类别不可知的边界框以及每个框的单个分数,对应于其包含任何感兴趣对象的可能性。该模型自然地为每个类处理可变数量的实例,并允许在网络的最高级别进行跨类概括。我们能够在VOC2007和ILSVRC2012上获得竞争性识别性能,同时仅使用每个图像中的前几个预测位置和少量神经网络评估。
translated by 谷歌翻译
策略梯度方法是强大的强化学习算法,并且已被证明可以解决许多复杂的任务。然而,这些方法也是数据无效的,受到高方差梯度估计的影响,并且经常陷入局部最优。这项工作通过将最近改进的非政策数据的重用和参数空间的探索与确定性行为政策相结合来解决这些弱点。由此产生的目标适用于标准的神经网络优化策略,如随机梯度下降或随机梯度哈密顿蒙特卡罗。通过重要性抽样对以前的推出进行大量提高数据效率,而随机优化方案有助于逃避局部最优。我们评估了一系列连续控制基准测试任务的建议方法。结果表明,该算法能够使用比标准策略梯度方法更少的系统交互成功可靠地学习解决方案。
translated by 谷歌翻译
我们介绍Scratchy--一种模块化,轻便的机器人,专为低预算竞争考勤而设计。它的底座主要由标准的4040铝合金轮毂构成,机器人由无刷直流电机上的四个麦克纳姆轮驱动。结合激光测距仪,我们使用估计的测距 - 由编码器计算 - 用于使用粒子滤波器创建地图。 RGB-Dcamera用于物体检测和姿势估计。此外,还可以选择使用6自由度手臂来抓取估计姿势的物体,通常用于操纵任务。机器人可以在不到一个小时的时间内组装成两个手提行李或一个更大的行李箱。因此,它为参加欧洲机器人联盟或RoboCup等机器人比赛的学生团队提供了巨大的优势。因此,这可以保证参与所需的资金,这通常是一个难以克服的障碍,一个很大的障碍。该软件和其他硬件描述可在以下网址获得:https://github.com/homer-robotics/scratchy。
translated by 谷歌翻译