最近关于空间和时空模型检查的研究提供了新的图像分析方法,其根植于拓扑空间的逻辑方法。医学成像(MI)是这样的方法,其中这些方法显示出潜在的突破性创新。我们的出发点是SLCS,封闭空间的空间逻辑 - 封闭空间是拓扑空间的概括,也包括离散空间结构 - 以及topochecker,一种用于SCS(及其扩展)的模型检查器。我们介绍了逻辑语言ImgQL(“ImageQuery Language”)。 ImgQL使用描述距离和区域相似性的逻辑运算符扩展SLCS。时空模型检查器topochecker相应地增强了最先进的算法,借鉴了计算图像处理,有效地实现了基于距离的操作,即距离变换。基于统计纹理分析的概念,区域之间的相似性由统计相似性算子的定义来定义。我们通过两个磁共振图像分析实例来说明我们的方法:胶质母细胞瘤和水肿的分割,以及直肠癌的分割。
translated by 谷歌翻译
The topic of physical human-robot interaction received a lot of attention from the robotics community because of many promising application domains. However, studying physical interaction between a robot and an external agent, like a human or another robot, without considering the dynamics of both the systems may lead to many shortcomings in fully exploiting the interaction. In this paper, we present a coupled-dynamics formalism followed by a sound approach in exploiting helpful interaction with a humanoid robot. In particular, we propose the first attempt to define and exploit the human help for the robot to accomplish a specific task. As a result, we present a task-based partner-aware robot control techniques. The theoretical results are validated by conducting experiments with two iCub humanoid robots involved in physical interaction.
translated by 谷歌翻译
我们提出了一个模型来衡量不同材料之间的外观相似性,这与人类相似性判断相关。我们首先创建9,000个渲染图像的数据库,描绘具有不同材质,形状和照明的对象。然后,我们收集来自资源实验的感知相似性的数据;我们对超过114,840个答案的分析表明,存在对外观相似性的共同看法。我们为这个数据提供了一个具有新颖损失函数的深度学习架构,该架构学习了与这种感知外观相似性相关的材料的特征空间。我们的评估表明我们的模型优于现有的指标。最后,我们演示了我们的指标启用的几个应用程序,包括基于外观的材料建议搜索,数据库可视化,聚类和汇总以及色域映射。
translated by 谷歌翻译
我们展示了最小二乘支持向量回归(LS-SVR)模型与贝叶斯拉多基函数(RBF)网络上的最大后验(MAP)推断之间的理论等价性,其具有特定的高斯先验对应的权重。虽然以前的作品已经指出了这些学习方法之间的相似表达,但我们明确并正式地说明了这种对应关系。我们通过使用标准回归基准进行计算实验来凭经验证明我们的结果。我们的研究成果提供了一系列可能性,以改善贝叶斯方法中已建立的发展的LS-SVR借贷强度。
translated by 谷歌翻译
本文提出了一种利用引导卷积神经网络在无约束环境中分割运动目标的新方法。该引导过程依赖于来自独立算法(即,最先进的算法)的前景掩模来实现注意机制,该注意机制包括前景和背景的空间位置以计算它们的分离表示。我们的方法最初使用颜色和光流信息为每个帧提取两种特征。这些特征按照乘法方案组合以从其互补性中受益。稍后处理这些统一的颜色和运动特征以获得分离的前景和背景表示。然后,将两个独立的表示连接并解码以执行前景分割。在具有挑战性的DAVIS 2016数据集上进行的实验表明,我们的引导表示不仅优于非指导,而且最近和表现最佳的视频对象分割算法。
translated by 谷歌翻译
尽管对于少量标签噪声具有鲁棒性,但已经证明使用随机梯度方法训练的卷积神经网络很容易适应随机标签。当存在正确和错误标记目标的混合时,网络倾向于在后者之前适合前者。这表明使用合适的双组分混合物模型作为训练期间样本损失值的无监督生成模型,以允许在线估计样本被错误标记的可能性。具体来说,我们提出了一个beta混合来估计这个概率,并依靠网络预测(所谓的自举损失)来纠正损失。我们进一步调整mixupaugmentation以进一步推动我们的方法。 CIFAR-10/100和TinyImageNet上的实验表明,标签噪声的稳健性基本上超过了最新技术水平。源代码可从以下网址获得://git.io/fjsvE
translated by 谷歌翻译
目的:与种系遗传学相关的医学文献呈指数增长。临床医生需要工具监测和文献优先排序,以了解致病性遗传变异的临床意义。我们开发并评估了两种机器学习模型,将摘要分类为与外显率(种系突变携带者的癌症风险)或种系基因突变的普遍性相关。方法:我们在PubMed中进行了文献检索,并检索了纸质标题和摘要,以创建一个用于训练和评估两种机器学习分类模型的注释数据集。我们的第一个模型是支持向量机(SVM),它基于每个标题和抽象的包的表示法来描述线性决策规则。我们的第二个模型是卷积神经网络(CNN),它基于原始标题和抽象学习复杂的非线性决策规则。我们评估了两种模型在论文分类中与外显率或普遍性相关的表现。结果:对于渗透分类,我们注释了3740篇论文题目和摘要,使用了60%的模型,20%用于调整模型,20%用于评估模型.SVM模型的准确率达到89.53%(正确分类的论文百分比)而CNN模型的准确率达到88.95%。对于普遍性分类,我们注释了3753篇论文题目和摘要。 SVM模型的准确率达到89.14%,而CNN模型的准确率达到89.13%。结论:我们的模型在分类与外显率或患病率相关的摘要中具有高准确性。通过促进文献综述,该工具可以帮助临床医生和研究人员及时了解基因 - 癌症协会的新兴知识,并使临床决策支持工具的知识库保持最新。
translated by 谷歌翻译
虽然深层强化学习已经在许多困难领域取得了突破,但这些成功需要不断增加的样本数量。最先进的强化学习(RL)系统需要指数增加的样本数量,它们的开发仅限于AI社区的不断缩小的部分。同样,许多这些系统无法应用于环境样本昂贵的现实问题。这些限制的解决需要新的,样本有效的方法。为了促进这方面的研究,我们引入了MineRL比赛,使用人类先驱进行样本高效强化学习。该竞赛的主要目标是促进算法的开发,这些算法可以有效地利用人类演示来大幅减少解决复杂,分层和稀疏环境所需的样本数量。为此,我们介绍:(1)Minecraft ObtainDiamond任务,一个需要长期规划,分层控制和有效勘探方法的顺序决策环境; (2)MineRL-v0dataset,一个超过6000万个状态动作对的人类示范的大规模集合,可以重新模仿体现的轨迹,随意改变游戏状态和视觉效果。参与者将竞争开发使用来自环境模拟器Malmo的有限数量的样本来解决ObtainDiamondtask的系统。竞赛分为两轮,其中竞争者提供数据集的几个配对版本和具有不同游戏结构的环境。在每轮结束时,竞争对手将提交他们的学习算法的容器化转换,然后他们将在保留的数据集 - 环境对上从头开始训练/评估,在预先指定的硬件平台上总共4天。
translated by 谷歌翻译
深度学习网络的出现提出了对算法进行解释的需求,以便用户和领域专家能够自信地使用算法建议来进行高风险决策。在本文中,我们对这些模型引起的信息丰富的潜在空间进行了研究,以了解这些网络中的数据表示或原型,以阐明其内部决策过程。我们介绍了一种基于案例的推理的新应用,使用原型来理解导致时间序列数据分类的决策,特别是研究用于婴儿期心动过缓分类,心率减慢的心电图(ECG)波形。我们通过明确优化增加的原型多样性来改进现有的模型,这反过来通过学习潜在空间的区域来突出特征区域,从而改善模式的准确性。我们在多样性原型生成中评估我们的模型toshow鲁棒性的超参数空间,另外,通过交互工具在ECG波形上探索深度分类网络的期望潜在空间,以可视化其中的学习原型波形。 Weshow原型能够学习真实世界的特征 - 在我们的案例研究与心动过缓相关的心电图形态 - 以及子类的功能。我们的新颖工作利用二维时间序列数据的学习原型框架,在分类任务期间产生可解释的见解。
translated by 谷歌翻译
基于游戏的基准测试在人工智能(AI)技术的开发中发挥了重要作用。提供各种挑战是推动现代技术创新和理解研究的关键。 Rinascimento提供参数化的部分可观察的基于多人牌的棋盘游戏,这些参数可以轻松修改游戏中的规则,目标和物品。我们描述了所有功能的框架和游戏挑战,提供基线游戏AI和分析他们的技能。我们保留了代理商在实验中的超参数调整中心角色,突出了它如何能够严重影响性能。基线代理包含对统计前向规划算法的若干额外贡献。
translated by 谷歌翻译