设计RNA分子最近引起了人们对医学,合成生物学,生物技术和生物信息学的兴趣,因为许多功能性RNA分子被证明参与转录,表观遗传学和翻译的调控过程。由于RNA的功能取决于其结构特性,因此RNA设计问题是找到折叠成指定二级结构的RNA序列。在这里,我们提出了一个新的RNADesign问题算法,称为LEARNA。 LEARNA使用深度强化学习traina政策网络,依次设计一个完整的RNA序列作为指定的二级目标结构。通过在20个核心上跨越8000个不同的靶标结构进行元学习一小时,我们的扩展Meta-LEARNA构建了一个RNA设计策略,可以开箱即用于溶剂化RNA靶标结构。在方法论上,对于我们认为是第一次,我们共同优化政策网络的丰富的神经架构空间,培训程序的超参数和决策过程的制定。关于二次使用的RNA二级结构设计基准的综合实证结果,以及我们介绍的第三个基准,表明我们的方法在所有基准上实现了新的最先进的性能,同时在达到之前的状态时也更快地达到了数量级 - 最先进的表现。在消融研究中,我们分析了我们方法的不同组成部分的重要性。
translated by 谷歌翻译
我们介绍了一种模拟表面属性的方法,用于控制每天场景中的反弹。我们的模型学习端到端,从传感器输入开始,预测后弹跳轨迹并推断出两个基本物理属性,它们控制着弹跳 - 恢复原状和有效碰撞法线。我们的模型Bounce and Learn包含两个模块 - 物理推理模块(PIM)和视觉推理模块(VIM)。 VIM学习在给定单个静止图像的情况下推断场景中的位置的物理参数,而PIM学习在给定物理参数和观察到的预碰撞3D轨迹的情况下为预测任务建模物理相互作用。为了实现我们的结果,我们将包含5K RGB-D视频的Bounce数据集引入到包括家庭和办公室在内的日常场景中探测不同形状和材料的表面。我们提出的模型从我们收集的实际反弹数据中学习,并通过简单物理模拟的附加信息进行自我训练。我们在新收集的数据集上显示,模型优于基线,包括与牛顿物理学的轨迹拟合,预测反弹后轨迹和推断场景的物理特性。
translated by 谷歌翻译
果蝇的行为表型是生物学和医学研究中的重要手段,用于识别对动物行为的遗传,病理或心理影响。
translated by 谷歌翻译
作为最有前途的领域之一,移动机器人在这些年中备受关注。由于缺乏共同的实验平台,通常在一些手动设计的场景中评估该领域的当前工作。同时,随着最近深度学习技术的发展,一些研究人员试图将基于学习的方法应用于移动机器人任务,这需要大量的数据。为满足潜在需求,本文webuild HouseExpo是一个大型室内布局数据集,包含35,357个2D平面图,共计252,550个房间。我们共同开发Pseudo-SLAM,轻量级和高效的仿真平台,以加速数据生成过程,从而加快培训过程。在我们的实验中,webuild模型用于解决避障和自主探索,从模拟的学习角度以及真实世界的实验来验证我们的模拟器和数据集的有效性。所有数据和代码都可以在线获取,我们希望HouseExpo和Pseudo-SLAM可以满足数据需求,并使整个社区受益。
translated by 谷歌翻译
编码器 - 解码器架构是用于生物医学图像分割的主流深度学习模型。编码器完全压缩输入并生成编码特征,然后解码器使用编码特征生成密集预测。然而,解码器仍未在结构中进行探索。在本文中,我们全面研究了最先进的编码器 - 解码器架构,并提出了一种新的通用解码器,称为级联解码器,以提高语义分割的准确性。我们的级联解码器可以嵌入到现有网络中,并以端到端的方式完全训练。级联解码器结构旨在对分层编码的特​​征进行更有效的解码,并且与已知解码器的公共编码更加兼容。我们使用我们的级联解码器替换最先进模型的解码器,用于几个具有挑战性的生物医学图像分割任务,并且所实现的显着改进证明了我们的新解码方法的功效。
translated by 谷歌翻译
用于生物医学图像分析的卷积神经网络(CNN)通常具有非常大的尺寸,导致高存储器需求和高操作延迟。为特定成像应用搜索baseCNN的可接受的压缩表示通常涉及一系列耗时的训练/验证实验,以实现网络大小和准确度之间的良好折衷。为了应对这一挑战,我们提出了CC-Net,一种用于生物医学图像分割的新的图像复杂性引导CNN压缩方案。给定CNN模型,CC-Net基于从训练数据计算的平均图像复杂度来预测不同大小的网络的最终准确度。然后,它选择乘法因子来生成具有可接受的网络精度和大小的期望网络。实验表明,CC-Net对于生成压缩分段网络是有效的,在最佳情况下保留高达95%的基本网络分段准确度,并且仅利用0.1%的全尺寸网络的可训练参数。
translated by 谷歌翻译
对人机协作或人机协作的研究主要集中在理解和促进单个机器人与单个人之间的协作上。将人机协作研究扩展到二元范围之外,提出了一个新的问题,即机器人应该如何分配集团成员的资源以及分布的社会和任务相关后果。需要方法上的进步才能让研究人员收集涉及多人的人体机器人协作数据。本文介绍了塔式建设,这是一项新的资源分配任务,允许研究人员检查机器人与人群之间的协作。通过关注机器人是否以及如何分配资源(建筑任务所需的木块)影响协作动力学和结果的问题,我们提供了一个案例,说明如何将该任务应用于实验室研究中,有124名参与者收集有关人体机器人协作的数据涉及多个人。我们强调任务可以产生的各种洞察力。特别是我们发现资源的分配会影响对人类成员之间的表现和人际交往的感知。
translated by 谷歌翻译
三维图像分割在生物医学图像分析中发挥着重要作用。许多二维和三维深度学习模型已经在三维生物医学图像数据集上实现了最先进的分割性能。然而,2D和3D模型具有它们的优点和缺点,通过将它们统一起来,人们可以获得更准确的结果。在本文中,我们提出了一个新的3D生物医学图像分割集成学习框架,它结合了2D和3D模型的特点。首先,我们开发了一个完全卷积的基于网络的元学习器,以学习如何改进2D和3D模型(基础学习者)的结果。然后,为了最大限度地减少我们复杂的学习者的过度拟合,我们设计了一种新的训练方法,该方法使用基础学习者的结果作为“基础事实”的多个版本。此外,由于我们新的元学习者训练方案不依赖于手动注释,它可以利用丰富的未标记3D图像数据来进一步改进模型。对两个公共数据集(HVSMR 2016挑战数据和鼠标皮质数据集)的广泛实验表明,该方法在全监督,半监督和转换设置下是有效的,并且比最先进的图像分割方法具有优越的性能。
translated by 谷歌翻译
深度强化学习和机器人技术的最新进展是由于越来越现实和复杂的仿真环境的存在而推动的。然而,现有的许多平台提供了不切实际的视觉效果,不准确的物理特性,低任务复杂性或者人工代理的交互能力有限。此外,许多平台缺乏适当配置模拟的能力,因此从学习系统的角度将模拟环境转变为黑盒子。在这里,我们描述了一个新的开源工具包,用于使用Unity平台创建和与模拟环境交互:Unity ML-Agents Toolkit。通过利用Unity作为仿真平台的优势,该工具包可以开发具有丰富的感官和物理复杂性的学习环境,提供引人注目的认知挑战,并支持动态的多代理交互。我们详细介绍了平台设计,通信协议,一组示例环境以及通过该工具包实现的各种培训方案。
translated by 谷歌翻译
在建立朋友和敌对关系时,签名网络是一个至关重要的工具。与经典的无向加权图形相比,有符号图形的边权重是正的和负的。关键网络属性通常来自相关图拉普拉斯算子的研究。我们在此研究了几个不同的签名网络拉普拉斯算子,重点是对图的节点进行分类的任务。我们在这里扩展了最近引入的技术,该技术基于在签名网络上定义的偏微分方程,即Allen-Cahn方程,将节点分类为两个或更多个类。我们在几个真实的网络上说明了这种方法的性能。
translated by 谷歌翻译