Machine learning (ML) techniques are enjoying rapidly increasing adoption. However, designing and implementing the systems that support ML models in real-world deployments remains a significant obstacle, in large part due to the radically different development and deployment profile of modern ML methods, and the range of practical concerns that come with broader adoption. We propose to foster a new systems machine learning research community at the intersection of the traditional systems and ML communities, focused on topics such as hardware systems for ML, software systems for ML, and ML optimized for metrics beyond predictive accuracy. To do this, we describe a new conference, SysML, that explicitly targets research at the intersection of systems and machine learning with a program committee split evenly between experts in systems and ML, and an explicit focus on topics at the intersection of the two.
translated by 谷歌翻译
我们提出了一种使用最小人类注释在未看到的视频上快速引导对象检测的方法。我们通过使用边界框合和模型蒸馏结合两个互补的知识源(一个通用和另一个特定)来实现这一目标。使用新颖的边界框合并和置信重新加权方案从集合预训练对象检测器获得第一(通用)知识源。我们观察到,通过数据增强进行模型蒸馏可以训练出一个特殊的探测器,该探测器优于它所训练的噪声标签,并在集合探测上训练学生网络,获得比整体本身更高的mAP。第二(专业)知识源来自在视频的标记子集上训练检测器(其中我们使用监督标签),以在未标记部分上生成检测。我们在两个流行的车载数据集上展示了这些技术可以为帧中所有车辆发射边界框,其平均精度(mAP)高于所使用的任何参考网络,并且集合和人工标记的数据产生对象检测的组合优于任何一个。单独。
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
深度神经网络(DNN)在多个处理阶段转换刺激,以产生可用于解决复杂任务的表示,例如图像中的对象识别。然而,完全理解他们如何实现这一目标仍然是难以捉摸的。生物神经网络的复杂性基本上超过了DNN的复杂性,使得理解他们所学习的表示更具挑战性。因此,机器学习和计算神经科学都面临着共同的挑战:我们如何分析它们的表示以理解它们如何解决互补问题?我们回顾了计算神经科学家开发的数据分析概念和技术如何用于分析DNN中的表示,反过来,最近开发的DNN分析技术如何有助于理解生物神经网络中的表示。我们探索了两个领域之间协同作用的机会,例如使用DNN作为神经科学的计算机模型系统,以及这种协同作用如何导致关于生物神经网络的操作原理的新假设。
translated by 谷歌翻译
分布式系统正变得越来越普遍,因为计算机通常包含多个计算处理器。 SpiNNaker架构是这样的分布式架构,包含数百万个与独特通信网络相连的核心,使其成为世界上最大的神经形态计算平台之一。有效地利用这些处理器通常需要对架构有一定的了解以生成可执行代码。这项工作介绍了一组工具(SpiNNTools),它们可以将描述为图形的计算工作映射到在这台新机器上运行的可执行代码。 SpiNNaker架构具有高度可扩展性,这反过来又会在加载数据,执行映射问题和检索数据时产生独特的挑战。在本文中,我们详细描述了这些挑战并实现了解决方案。
translated by 谷歌翻译
磁共振成像(MRI)是人体组织成分分析的非侵入性选择,因为它具有出色的软组织对比度和电离辐射。然而,身体成分的量化要求从MRimages精确分割脂肪,肌肉和其他组织,由于强度重叠,这仍然是一个具有挑战性的目标。在这项研究中,我们提出了一个全自动,数据驱动的图像分割平台,解决了MRimages分割中的多个困难,例如变化的不均匀性,非标准性和噪声,同时产生不同组织的高质量定义。与文献中的mostapproaches相反,我们通过结合三种不同的MRI对比和一种新的分割工具来执行分割操作,该分割工具考虑了数据中的可变量。所提出的系统基于模糊连接(FC)图像分割系列内的新颖的亲和定义,防止了对用户干预和这些分段算法的重新参数化的需要。为了使整个系统完全自动化,我们采用亲和传播聚类算法来粗略地识别组织区域和图像背景。我们对提出的算法的各个步骤进行了全面的评估,并与文献中关于肌肉/脂肪分离主要应用的几种方法进行了比较。此外,进行全身组织成分和脑组织描绘,以显示所提出的系统的泛化能力。这种新的自动化平台优于其他最先进的分割方法,包括不准确性和效率。
translated by 谷歌翻译
目的:通过深度学习进行非共振伪影校正,以便利用扫描时间有效的3D锥体轨迹进行快速儿科身体成像。方法:通过前瞻性研究训练残余卷积神经网络以校正非共振伪影(Off-ResNet)。 30次儿科磁共振血管造影检查。每次检查获得短读数扫描(1.18 ms + - 0.38)和3T.Short读数扫描的长读数扫描(3.35 ms + - 0.74),扫描时间较长但可忽略不计的非共振扫描用作参考图像并增加额外的共振,用于监督训练实例。通过自动聚焦和Off-ResNet校正长读数扫描,具有更大的非共振伪影但更短的扫描时间,并通过归一化的均方根误差(NRMSE),结构相似性指数(SSIM)和峰值信号与短读数扫描进行比较。噪声比(PSNR)。通过两位放射科医师对8种解剖学特征的评分,使用随后的Tukey检验分析方差,对扫描进行了比较。读者协议是由内部相关决定的。结果:长读数扫描平均扫描时间缩短了59.3%。来自Off-ResNet的图像具有优越的NRMSE,SSIM和PSNR,与未校正的图像相比,+ -1kHz的非共振(P <0.01)。与自动聚焦相比,该方法具有优于-677Hz至+ 1kHz的优良NRMSE和优于+ -1kHz的SSIM和PSNR(P <0.01)。放射学评分表明,使用Off-ResNet校正的长读数扫描不如短读数扫描(P <0.01)。结论:与诊断标准的短读数扫描相比,所提出的方法可以校正从快速长读出3D锥体扫描到非低劣图像质量的非共振伪像。
translated by 谷歌翻译
在发生重大事故时,可以使用自主机器人和人工智能技术来支持人员。这些事件会给人的生命带来极大的危险。这种辅助的一些例子包括:对场景进行多机器人测量;收集传感器数据和场景图像,实时风险评估和分析;物体识别和异常检测;和检索相关的支持文件,如标准操作程序(SOP)。这些事件虽然常见,但可能涉及化学,生物,放射性/核或爆炸性(CBRNE)物质,并且可能具有重大影响。这些系统的实际培训和部署可能成本高昂,有时甚至不可行。出于这个原因,我们开发了一个真实的CBRNE场景3D模型,作为我们开发的一套辅助AI工具的初步测试平台。
translated by 谷歌翻译
着色给定的灰度图像是媒体和广告业中的重要任务。由于着色固有的模糊性(manyshades通常是合理的),最近的方法开始明确地模式化大学。然而,现有方法很少考虑最明显的伪像之一,即结构不一致性,这些方法独立地预测每个像素的色度。为了解决这个问题,我们开发了基于随机场的变分自动编码器公式,可以在考虑结构一致性的同时实现多样性。此外,我们引入了一种可控性机制,可以结合来自不同来源的外部约束,包括用户界面。 。与现有基线相比,我们证明了我们的方法在LFW,LSUN-Church和ILSVRC-2015数据集上获得了更多,更全面一致的颜色。
translated by 谷歌翻译
使用游戏引擎,我们开发了一个虚拟环境,可以模拟关键事件场景的重要方面。我们专注于与关键意外事件的识别和收集相关的模拟现象,以开发和测试能够自主处理化学,生物,放射/核或爆炸(CBRNe)事件的系统。这使我们能够构建和验证基于AI的技术,这些技术可以在我们的自定义虚拟环境中进行培训和测试,然后再部署到实际场景中。我们使用我们的虚拟场景快速构建了一个系统原型,该系统可以使用模拟远程飞行器(RAV)从环境中收集图像以进行映射。我们的环境为我们提供了有效的媒介,通过该媒介,我们可以安全可控的方式开发和测试各种人工智能方法,用于关键事件现场评估
translated by 谷歌翻译