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
在用于检测图像中的曲线的霍夫变换技术的框架中,我们提供了用于在识别算法中成功优化累加器函数的霍夫变换的数量的界限。这种界限是几何论证的结果。当应用于受噪声强烈扰动的合成数据集时,我们还展示了结果的稳健性。附录中讨论的代数方法导致在确切情况下理论兴趣的更好界限。
translated by 谷歌翻译
我们应用深度学习来创建肺部录音中的呼吸相位检测算法,并且我们比较了算法检测到的呼吸阶段,并由两位经验丰富的肺部声音研究人员手动注释。 Ouralgorithm使用卷积神经网络,其中光谱图作为特征,无需明确指定特征。我们使用比文献中先前所见更大的三个子集来训练和评估算法。我们使用twomethods评估了该方法的性能。首先,商定呼吸阶段的离散计数(在一对盒子之间使用50%重叠)显示出与肺部声音专家的平均一致性,即灵感为97%,呼气时为87%。第二,协议时间的分数(以秒为单位)给出吸气的伪卡伯值(0.73-0.88)高于呼气(0.63-0.84),显示平均灵敏度为97%,平均特异性为84%。利用这两种评估方法,注释器和算法之间的一致性显示了算法的人类水平表现。所开发的算法对于检测声音记录中的呼吸阶段是有效的。
translated by 谷歌翻译
目的:验证商业上可获得CE认证的深度学习(DL)系统RetCAD v.1.3.0(Thirona,Nijmegen,The Netherlands)的性能,用于联合自动检测糖尿病视网膜病变(DR)和年龄 - 相关性黄斑变性(AMD)在adataset上的彩色眼底(CF)图像中混合存在眼病。方法:在DR-AMD数据集上进行关于DR和AMD的联合检测的评估,其中600个图像在常规临床实践中获得,包含两种疾病的可参考和不可参考的病例。由经验丰富的眼科医生为DR和AMD评估每个图像以建立参考标准(RS),并由四个独立的观察者进行比较以与人类表现进行比较。在Messidor(1200张图像)上进一步评估验证,用于个体鉴定可参考的DR,以及针对相应的RS的年龄相关眼病研究(AREDS)数据集(133821图像)用于可参考的AMD。结果:关于DR-AMD数据集的联合验证,系统在ROC曲线下的面积(AUC)为95.1%,用于检测referableDR(SE = 90.1%,SP = 90.6%)。对于可参考的AMD,AUC为94.9%(SE = 91.8%,SP = 87.5%)。 DR的平均人类表现为SE = 61.5%和SP = 97.8%;对于AMD,SE = 76.5%,SP = 96.1%。关于Messidor中可参考DR的检测,AUC为97.5%(SE = 92.0%,SP = 92.1%);对于AREDS中的可接受的AMD,AUC为92.7%(SE = 85.8%,SP = 86.0%)。结论:经过验证的系统在同时检测DR和AMD方面与人类专家相当。这表明DL系统可以促进眼科疾病的联合筛查,并成为眼科专家的快速和可靠的支持。
translated by 谷歌翻译
深度学习的最新进展导致自然语言生成(NLG)的普遍性重新抬头。许多基于深度学习的模型,包括递归神经网络和生成对抗网络,已被提出并应用于生成各种类型的文本。尽管方法的快速发展,如何更好地评估这些自然语言生成器的质量仍然是一个重大挑战。我们进行了深入的实证研究,以评估现有的自然语言生成评估方法。我们将基于人类的评估程序与各种自动评估程序进行比较,包括判别评估程序,用于衡量生成的文本与人工书写文本的区别,以及文本重叠度量标准,用于衡量生成的文本与人类书写参考文献的相似程度。我们衡量这些差异评估者在多大程度上同意对十几种最先进的产品评估进行排序。我们发现人类评估者与判别评估者没有很好的相关性,留下了一个更大的问题,即对抗性准确性是自然语言生成的正确目标。总的来说,区分机器生成的文本即使对于人类评估者也是一项具有挑战性的任务,他们的决策倾向于相关使用textoverlap指标更好。我们还发现,多样性是一个有趣的指标,表明不同评估者的评估。
translated by 谷歌翻译
序数数据是标签之间存在自然顺序的数据。由于存在许多常见问题,这类数据的分类和预处理在机器学习领域引起了越来越多的关注。传统上,序数分类问题已被视为名义问题。但是,这意味着不考虑他们的自然顺序约束。本文介绍了一个创新的R软件包namedocapis(Scala中的序分类和预处理)。主要在Scala中实现并可通过Github获得,该库包括四个学习者和两个用于序数和单调数据的预处理算法。该软件包的主要特点本手稿中解释了安装和使用的示例。
translated by 谷歌翻译
基于语法的模糊测试是一种用于通过注入遵循编码应用语义的规则生成的格式良好的输入来查找软件漏洞的技术。大多数基于语法的网络协议模糊器都依赖于humanexperts来手动指定这些规则。在这项工作中,我们研究了从文本规范(即RFC)自动学习协议规则。我们通过将它们应用于传输协议的最先进的模糊器来评估自动提取的协议规则,并表明它会导致更少的测试用例,同时发现与使用手动指定规则的系统相同的攻击。
translated by 谷歌翻译
在这项工作中,我们提出了浅层和深层学习架构的比较,用于多发性硬化患者MRimages中白质病变的自动分割。特别是,我们对早期疾病患者的两种方法进行了培训和测试,以验证其性能挑战性条件,更类似于临床环境,而不是多发性硬化症分割挑战中的典型情况。此外,我们评估两种方法的原型天真组合,这些方法改进了最终分割。对32名患者进行了所有方法的训练,并对73例患者的纯试验组进行了评估。结果显示深度学习结构的低病变假阳性(30%),而浅层结构产生最佳Dice系数(63%)和体积差异(19%)。结合浅层和深层架构进一步改善了故障方式(分别为69%和26%的病变真实和假阳性率)。
translated by 谷歌翻译
可转移性捕获攻击机器学习模型的能力,以有效对抗不同的,可能未知的模型。由于基于机器学习的网络攻击检测服务的部署,研究攻击的可转移性在过去几年中引起了人们的兴趣。机器学习的应用,服务提供商避免披露有关其机器学习算法的信息。因此,攻击绕过检测的攻击者被迫针对asurrogate模型而不是服务使用的实际目标模型进行攻击。虽然以前的工作表明找到测试时可转移的攻击样本是可能的,但是很难理解攻击者如何构建可能针对不同模型转移的adversarialexamples,特别是在训练时中毒攻击的情况下。在本文中,我们提出了第一个实证分析,旨在调查测试时间规避和训练时间中毒攻击的可转移性。我们提供了这种攻击的可转移性的统一,正式定义,并显示它与代理和目标分类模型的输入梯度之间的关系。我们评估一些最知名的机器学习系统易受转移攻击的程度并解释为什么这些攻击在不同模型中成功(或不成功)。为此,我们利用这项工作中突出的一些有趣的连接来解决机器学习模型的对抗性漏洞,它们的正则化超参数和输入梯度。
translated by 谷歌翻译
深度学习模型在自动皮肤病变分析中显示出显着的效果。然而,这些模型需要大量数据,而注释皮肤病变图像的可用性通常是有限的。 Dataaugmentation可以通过转换输入图像来扩展训练数据集。在这项工作中,我们研究了13种数据增强方案对三种CNN(Inception-v4,ResNet和密集网)训练的黑素瘤分类的影响。场景包括传统的颜色和几何变换,以及更多不寻常的增强,例如弹性变换,随机擦除和混合不同病变的新增加。我们还探讨了在测试时使用数据增强以及数据增强对各种数据集大小的影响。我们的结果证实了数据增加在训练和测试中的重要性,并表明它可以比获得新图像带来更多的性能提升。在没有使用外部数据的情况下,最佳情景导致黑色素瘤分类的AUC为0.882,优于2017年ISIC挑战赛的最高排名(0.874),该挑战是根据其他数据进行培训的。
translated by 谷歌翻译