我们提出了LBS-AE;一种自动监控自动编码算法,用于将点状网格模型拟合到点云。作为输入,我们采用要注册的一系列pointcloud以及一个艺术家装配的网格,即一个网格配置有由骨架层次参数化的线性混合蒙皮(LBS)变形空间的模板。作为输出,我们学习了一个基于LBS的自动编码器,它可以从输入点云中生成已注册的网格物体。为了弥合艺术家定义的几何体和捕获的点云之间的差距,ourautoencoder模拟与模板几何体相关的姿势偏差。在训练期间,我们的方法利用LBS变形来引导学习过程,而不是使用明确的对应关系,例如关键点或姿势监视。为了避免错误的点对点对应的局部最小值,我们利用基于部分分段的结构化倒角距离,这些距离是使用自我监督同时学习的。我们在真实捕获的手上展示定性结果,并报告对FAUST身体登记基准的定量评估。我们的方法实现了优于其他无监督方法的性能,并且与使用监督示例的方法相当。
translated by 谷歌翻译
检测时间序列中突然的属性变化的出现是一个具有挑战性的问题。已经针对该任务研究了内核双样本测试,其对分布的假设比传统的参数方法更少。但是,在实践中选择内核并非易事。虽然已经研究了用于双样本测试的核选择,但是变化点检测问题中的样本不足阻碍了那些开发的核选择算法的成功。在本文中,我们提出KL-CPD,一种用于时间序列CPD的新型内核学习框架,通过辅助生成模型优化测试功率的下限。通过深度内核参数化,KL-CPD endowskernel采用数据驱动内核进行双样本测试,以检测实际应用中的不同类型的更改点。在我们对基准数据集和模拟研究的比较评估中,所提出的方法显着优于其他最先进的方法。
translated by 谷歌翻译
我们的艺术家和机器学习研究团队设计了一种创造性算法,可以生成真正的雕塑艺术品。这些艺术品不会模仿任何给定的形式,也不能轻易归类为数据集类别。我们的方法将DeepDream从图像扩展到3D点云。提出的算法,Amalgamated DeepDream(ADD),利用点云的属性来创建比天真扩展更好的对象.ADD为机器的创造力提供了希望,推动艺术家探索新方法或材料的创造力,并创造新的类型而不是在onegenre中创建现有表单或样式的变体。例如,从现实主义到抽象表现主义,或极简主义。最后,我们展示了基于ADD创建的点云进行3D打印的雕塑。
translated by 谷歌翻译
生成性对抗网络(GAN)可以在不同类型的数据上获得复杂数据分布的有前途的表现。在本文中,我们首先表明现有GAN算法的直接扩展不适用于点云,因为鉴别器所需的约束对于集合数据是未定义的。我们建议对GAN算法进行双重修改以学习生成点云(PC-GAN)。首先,我们通过学习分层和可解释的抽样过程,将来自分层贝叶斯建模和隐式生成模型的思想结合起来。我们方法的一个关键组成部分是我们为隐藏变量训练后验推理网络。其次,我们不是仅使用最先进的Wasserstein GAN目标,而是提出一个夹心目标,这导致比一般情况更严格的Wassersteindistance估计。使用双重形式。因此,PC-GAN定义了可以包含许多现有GAN算法的通用框架。我们对ModelNet40基准数据集的声明进行了验证。利用生成点云和真实网格之间的距离作为度量,我们发现通过夹心目标训练的PC-GAN比现有方法在测试数据上获得更好的结果。此外,作为副产品,PC-GAN学习点云的多种潜在表示,其可以与对象识别任务上的其他无监督学习算法实现竞争性能。最后,我们还提供了关于生成看不见的对象类和将图像转换为点云的研究,这展示了PC-GAN的引人注目的泛化能力和潜力。
translated by 谷歌翻译
许多机器学习分类器容易受到对抗性攻击,具有旨在故意触发错误分类的扰动的输入。现代对抗方法要么直接改变像素颜色,要么将颜色“绘制”到3D形状上。我们提出了新的对抗性攻击,它直接改变了3D对象的几何形状和/或操纵虚拟场景中的光照。我们利用新颖的可微分渲染器,有效地评估和分析区分。我们的渲染器生成的图像非常逼真,可以通过常见的预训练模型进行正确的分类,并且我们使用它来设计一直欺骗这些模型的物理对抗示例。我们进行定性和定量实验,以验证外对抗几何和对抗性照明攻击能力。
translated by 谷歌翻译
我们研究非参数密度估计的极小极大收敛率,称为“对抗性损失”的大类损失函数,除了经典的$ \ mathcal {L} ^ p $损失,包括最大平均差异(MMD),Wasserstein距离和总变差距离。这些损失与生成对抗网络(GAN)中的鉴别器网络编码的损失密切相关。在一般框架中,我们研究了损失的选择和基础密度的假定平滑度如何共同决定最小极大率。我们还讨论了基于deepReLU网络训练GAN的含义,以及在极小极大统计意义上学习隐式生成模型的更一般的联系。
translated by 谷歌翻译
生成矩匹配网络(GMMN)是一种深度生成模型,它通过用基于内核最大度差异(MMD)的双样本测试替换GAN中的识别符来改变生成对抗网络(GAN)。尽管已经研究了MMD的一些理论保证,但GMMN的经验性能仍然不如GAN在具有挑战性的大型基准数据集上具有竞争力。与GAN相比,GMMN的计算效率也不太理想,部分地在训练期间需要相当大的批量大小。在本文中,我们提出通过引入对抗核学习技术来改进GMMN的模型表达性及其计算效率,作为原始GMMN中固定高斯核的替代。新方法结合了GMMN和GAN中的关键思想,因此我们将其命名为MMD GAN .MMD GAN中的新距离测量是一种有意义的损失,具有弱拓扑的优点,并且可以通过梯度下降和相对较小的批量大小进行优化。在我们对多个基准数据集(包括MNIST,CIFAR-10,CelebA和LSUN)的评估中,MMD-GAN的性能明显优于GMMN,并且与其他代表性的GAN工作相比具有竞争力。
translated by 谷歌翻译
提出了一种新的双线性判别特征线分析(BDFLA)用于图像特征提取。最近的特征线(NFL)是一个功能强大的分类器。最近引入了一些基于NFL的子空间算法。在大多数基于NFL的经典子空间学习方法中,输入样本是矢量。对于图像分类任务,图像样本应首先转换为矢量。该过程引起高计算复杂性并且还可能导致样品的几何特征的损失。提出的BDFLA是基于矩阵的算法。它旨在最大限度地减少类内散射,并最大化基于二维(2D)NFL的类间散射。双图像数据库的实验结果证实了其有效性。
translated by 谷歌翻译
目的:组织氧饱和度(StO2)的术中测量在缺血检测,监测灌注和鉴别疾病中是重要的。高光谱成像(HSI)测量组织的光学反射光谱,并使用该信息量化其组成,包括StO2。但是,由于捕获率和数据处理时间,实时监控很困难。方法:先前开发了一种基于多光纤探头的内窥镜系统,以稀疏地捕获HSI数据(sHSI)。这些通过深度神经网络与RGB图像组合,以生成高分辨率超立方体并计算StO2。为了提高准确度和处理速度,我们提出了双输入条件生成对抗网络(cGAN)Dual2StO2,通过融合RGB和sHSI的特征来直接估计StO2。结果:在vivoporcine肠道数据中进行了验证实验,其中地面实况StO2是从HSIcamera生成的。在平均StO2预测精度和结构相似性度量方面,还将性能与我们的先前光谱分辨率网络SSRNet进行了比较。 Dual2StO2也使用具有不同光纤数量的模拟探针数据进行测试。结论:在一般结构中,由二重StO2估计的StO2在视觉上更接近于地面实况,与SSRNet相比,实现了更高的预测精度和更快的处理速度。仿真表明,当在探头中使用更多数量的光纤时,结果得到改善。未来的工作将包括网络架构的改进,基于模拟结果的硬件优化,以及超出StO2估计的临床应用技术评估。
translated by 谷歌翻译
我们分析随机梯度算法来优化非凸问题。特别是,我们的目标是找到局部最小值(二阶静止点)而不是仅找到一阶静止点,这可能是某些不稳定的鞍点。我们证明了一个简单的扰动版本的随机递归梯度下降算法(称为SSRGD)可以找到$(\ epsilon,\ delta)$ - 二阶固定点,其中$ \ widetilde {O}(\ sqrt {n} / \ epsilon ^ 2 + \ sqrt {n} / \ delta ^ 4 + n / \ delta ^ 3)非凸有限和问题的$随机梯度复杂度。作为aby-product,SSRGD使用$ O(n + \ sqrt {n} / \ epsilon ^ 2)$随机梯度找到$ \ epsilon $ -first-order固定点。自Fang等人以来,这些结果几乎是最优的。 [2018]提供了一个下限$ \ Omega(\ sqrt {n} / \ epsilon ^ 2)$,用于查找甚至只是$ \ epsilon $ -first-orderstationary点。我们强调用于寻找二阶点的SSRGD算法就像通过有时添加均匀扰动来寻找一阶静止点一样简单,而用于寻找具有相似梯度复杂度的二阶静止点的所有其他算法需要具有负曲率的tocombine搜索子程序(例如,Neon2 [Allen-Zhu andLi,2018])。此外,简单的SSRGD算法得到了更简单的分析。此外,我们还扩展了非凸的有限和问题tononconvex在线(期望)问题的结果,并证明了相应的收敛结果。
translated by 谷歌翻译