许多生物学和医疗任务需要描绘出图像体积的3D曲线结构，例如血管和神经突。这通常是使用通过最大程度地减少不捕获这些结构拓扑特性的体素损失函数来训练的神经网络完成的。结果，回收结构的连通性通常是错误的，这减少了它们的实用性。在本文中，我们建议通过最大程度地减少其2D预测的拓扑感知损失的总和来提高结果的3D连接性。这足以提高准确性并减少提供所需的注释培训数据所需的注释工作。
translated by 谷歌翻译
基于深入的学习划定3D结构的方法取决于准确的注释来培训网络。然而，在实践中，无论多么有认可，人们都有多么认真地划分3D和大规模的困难，部分原因是数据往往是难以在视觉上解释的，并且部分是因为3D接口很尴尬。在本文中，我们介绍了一种明确地占用诠释的方法。为此，我们将注释视为有效轮廓模型，可以在保留其拓扑时变形本身。这使我们能够联合培训网络和原始注释中的潜在错误。结果是一种提升培训的深网络性能的方法，患有可能不准确的注释。
translated by 谷歌翻译
我们提出了一种使用持久性同源性（pH）的新的更有效的方法，一种方法来比较两个数据集的拓扑，用于训练深度网络以在空中图像中描绘道路网络和显微镜扫描中的神经元过程。它的本质是一种新的过滤功能，从两个现有技术的融合导出：基于阈值的过滤，以前用于将深网络培训到分段医学图像，并用高度函数过滤，以便在比较2D和3D形状之前使用。我们通过实验证明，深入的网络培训了我们的持久性同源性的损失，即道路网络和神经元过程的重建，这些过程比现有的拓扑和非拓扑损失功能更好地保持原件的连接性。
translated by 谷歌翻译
在本文中，我们报告了使用运动传感器对复杂人类活动分类的分层深度学习模型。与用于基于事件的活动识别的传统人类活动识别（HAR）模型相反，例如阶跃计数，秋季检测和手势识别，这种新的深度学习模型，我们称为魅力（复杂的人类活动识别模型） ，旨在识别高级人类活动，这些活动由非确定性序列中的多个不同的低级活动组成，例如餐食准备，家务和日常工作。魅力不仅优于最先进的监督学习方法，以平均准确性和F1分数来识别高级活动的识别，而且还自动学习识别低级活动，例如操纵手势和运动模式，没有此类活动的任何明确标签。这为使用可穿戴的传感器开辟了新的人机互动（HMI）方式的新途径，用户可以选择将自动化任务与高级活动相关联，例如控制家庭自动化（例如机器人真空吸尘器，灯光，灯光和恒温器）或在正确的时间介绍上下文相关信息（例如，提醒，状态更新和天气/新闻报道）。此外，仅使用高级活动标签进行培训时，学习低级用户活动的能力可能会为半监督的学习HAR任务铺平道路。
translated by 谷歌翻译