已经证明,学习辅助任务可以改善主要任务的概括。然而,这是以手动标记附加任务为代价的,这些任务可能对主要任务有用,也可能没有用。我们提出了一种新方法,可以自动学习辅助任务的标签,这样就可以改进任何监督学习任务,而无需访问其他数据。该方法是训练两个神经网络:用于预测辅助标签的标签生成网络,以及用于训练辅助任务的主要任务的多任务网络。标签生成网络的损失包含了多任务网络的性能,因此两个网络之间的这种交互可以被视为元学习的一种形式。我们表明,我们提出的方法Meta AuXiliary Learning(MAXL)在7个图像数据集上的表现优于单一任务,而不需要额外的辅助标签。我们还展示了MAXLout执行其他几个基线来生成辅助标签,并且与人工定义的辅助标签相比,它们具有竞争力。我们方法的这种监督性质导致了一种朝着自动化概括的有希望的新方向。源代码可从\ url {https://github.com/lorenmt/maxl}获得。
translated by 谷歌翻译
执法部门或大众媒体机构经常需要面对隐瞒提供隐私保护。共享敏感内容,其中遮蔽或减少技术可能未能完全消除所有可识别的痕迹,可能导致危及生命的后果。因此,能够系统地测量给定技术的面部遮蔽性能是至关重要的。在本文中,我们建议测量三种模拟技术的有效性:高斯模糊,中值模糊和像素化。通过在两种情况下识别编辑的面部来进行编辑:将遮蔽的面部分类为一组身份,并将遮蔽的面部与清晰面部的相似性进行比较。威胁建模还被认为是为每种研究的遮蔽技术提供漏洞分析。基于ourevaluation,我们表明基于像素化的面部遮蔽方法是最有效的。
translated by 谷歌翻译
域适应提供了一组功能强大的模型训练技术,可以提供特定于域的训练数据和具有未知相关性的补充数据。当用户需要使用来自不同来源,不同质量或不同时间范围的数据开发模型时,这些技术非常有用。我们构建了CrossTrainer,一个用于实际领域适应的系统。 CrossTrainer利用损失重新加权,在我们的实证分析中为各种数据集提供始终如一的高模型精度。然而,损失重新加权对于调整昂贵的权重超参数的选择是敏感的。我们利用损失重新加权的独特属性开发优化,允许CrossTrainer输出准确的模型,同时与初始超参数搜索相比改善训练时间。
translated by 谷歌翻译
计算哲学是机械化计算技术的运用,利用传统哲学方法难以或不可能找到的哲学见解。计算形而上学是计算哲学,侧重于形而上学。在本文中,我们(a)开发了模态形而上学的结果,其发现是计算机辅助的,并且(b)得出结论,这些结果不仅对哲学的明显好处起作用,而且对于计算机科学的益处也不那么明显,因为新的导致这些结果的计算技术可能在计算机科学中更广泛地应用。本文包括对背景方法及其演变方式的描述,以及对我们新结果的讨论。
translated by 谷歌翻译
诸如序列到序列和图像到序列的模型广泛用于现实世界的应用中。虽然这些神经架构产生可变长度输出的能力使它们对机器翻译和图像字幕等问题非常有效,但它也使它们容易受到模型产生不良长度输出的形式的失败。这种行为会产生严重的后果,例如:使用增加的计算并在下游模块中引发故障,这些模块期望输出一定长度。由于需要更好地了解这些模型的失效,本文提出并研究了新的输出尺寸调制问题并做出了两项关键技术贡献。首先,为了评估模型的鲁棒性,我们开发了一种易于计算的可微分代理目标,可以与基于梯度的算法一起使用,以找到输出延长的输入。其次,更重要的是,我们开发了一种验证方法,可以正式验证网络是否始终在一定长度内生成输出。 MachineTranslation和Image Captioning的实验结果表明,我们的输出延长方法可以产生比输入长50倍的输出,而我们的验证方法可以在给定模型和输入域的情况下证明输出长度小于一定的大小。
translated by 谷歌翻译
在这项工作中,我们介绍了Lifting Autoencoders,一种基于3D表面的生成对象类型模型。我们将来自运动,图像形成和可变形模型的非刚性结构的想法汇集在一起​​,以完全无监督的方式从一组结构图像中学习三维类别的可控几何模型。我们利用模型的三维几何特性,利用正常信息将外观分解为光照,阴影和反照。我们进一步利用弱监督将人脸的非刚性形状变异区分为身份和表达。我们将3D表示与可微分渲染器相结合,生成RGB图像,并附加经过对侧训练的细化网络,以获得清晰的照片级真实图像重建结果。学习的生成模型可以控制可解释的几何和外观因素,允许我们对身份,表情,3D姿势和照明属性进行表现形态的图像处理。
translated by 谷歌翻译
为搜索和救援行动尽快找到目标非常重要。监视摄像系统和无人驾驶飞行器(UAV)用于支持搜索和救援。自动物体检测非常重要,因为人无法在24小时内同时监控多个监控屏幕。此外,对象通常太小而无法被监视屏幕上的人道主义识别。这项研究使用了休斯顿港周围的无人机和固定监视摄像机来建立一个自动目标探测系统,该系统支持美国海岸警卫队(USCG)帮助寻找目标(例如,人员偏移)。我们将图像分割,增强和卷积神经网络相结合,以减少检测小目标的检测时间。我们比较了自动检测系统和人眼之间的性能。我们的系统在8秒内检测到目标,但人眼在25秒内检测到目标。我们的系统还使用合成数据生成和数据增强技术来提高目标检测精度。该解决方案可以及时地帮助第一响应者的搜索和救援操作。
translated by 谷歌翻译
由于图像模糊,图像去卷积通常用于研究荧光显微镜中的生物结构。荧光显微镜图像体积固有地受到强度不均匀性,模糊的影响,并且被各种类型的噪声破坏,这加剧了在更深的组织深度处的图像质量。因此,深度组织中荧光显微镜的定量分析仍然是一个挑战。本文提出了一种三维盲图像反褶积方法,用于荧光显微镜使用3路空间约束循环一致的对抗网络。所提出的反卷积方法的恢复体积和其他众所周知的反卷积方法,去噪方法和不均匀性校正方法在视觉和数值上进行评估。实验结果表明,该方法可以在视觉和数量上恢复和改善模糊和噪声深度深度显微图像的质量。
translated by 谷歌翻译
磁共振成像(MRI)是一种非侵入性诊断工具,无需使用电离辐射即可提供出色的软组织对比度。但与其他临床成像模式(如CT或超声)相比,MRI的数据采集过程本质上是慢。此外,动态应用需要快速连续收集一系列图像。因此,减少采集时间和提高采样数据集的成像质量一直是最后二十年代研究的活跃领域。并行成像和压缩感测(CS)的组合已被证明有益于广泛的MRI应用。最近,已经证明深度学习技术胜过CS方法。这些技术中的一些通过训练深度神经网络(DNN)从测量的傅立叶样本和最终图像进行映射,将MRI重建作为直接反演问题和解决方案。考虑到MRI中的正演模型从一个数据集变为下一个数据集,这些方法必须要经过大量的数据语料库或仅限于特定应用程序,并且无法确保数据一致性。另一种方法是使用“即插即用”(PnP)算法,该算法迭代基于前向模型的信号恢复的图像去噪。 PnP算法非常适合压缩MRI,因为它们将图像建模与正向模型分离,由于线圈灵敏度图,采样模式和图像分辨率的变化,它们可能在不同扫描之间发生显着变化。因此,利用PnP,可以直接利用现有技术的图像去噪技术(例如基于DNN的技术)来进行压缩MRI图像重建。本文的目标是双重的:i)回顾最新的插入和播放方法的进展,以及ii)讨论它们在压缩MRI图像重建方面的应用。
translated by 谷歌翻译
互惠是人类社会互动的重要特征,也是人们合作的基础。更重要的是,简单的互惠形式已经证明在矩阵游戏社会困境中具有显着的弹性。最着名的是,在针对囚徒困境的比赛中,针对性的策略表现得非常好。不幸的是,这种策略并不适用于现实世界,其中合作或缺陷的选择在时间和空间上得到延伸。在这里,我们提出一般的在线强化学习算法,显示对其共同参与者的互惠行为。我们表明,在与$ 2 $ $ -player Markov游戏以及$ 5 $ -player intertmporal socialdilemmas中进行学习时,它可以为更广泛的群体带来更好的社交结果。我们分析了由此产生的政策,以表明往复行为受其共同参与者行为的强烈影响。
translated by 谷歌翻译