机器学习从业者通常可以访问数据的频谱：目标任务（通常是有限），未标记的数据和辅助数据的标记数据，用于其他任务的许多可用标记的数据集。我们描述了TAGLET，一个系统为学习技术，用于自动利用所有三种类型的数据并创建高质量的可服装分类器。 TAGLET的关键组件是：（1）根据知识图组织组织的辅助数据，（2）封装用于利用辅助和未标记数据的不同方法的模块，以及（3）将被整合模块组合成可用的蒸馏阶段模型。我们将TAGLETS与最先进的传输学习和半监督学习方法进行比较，四个图像分类任务。我们的研究涵盖了一系列设置，改变了标记数据的量和辅助数据的语义相关性到目标任务。我们发现，辅助和未标记数据的智能融合到多个学习技术使Taglet能够匹配 - 并且最常见的是这些替代方案。 Taglets可作为Github.com/batsresearch/taglet的开源系统使用。
translated by 谷歌翻译
本文为基于MPC的基于MPC模型的增强学习方法的计划模块提出了一个新的评分功能，以解决使用奖励功能得分轨迹的固有偏见。所提出的方法使用折现价值和折扣价值提高了现有基于MPC的MBRL方法的学习效率。该方法利用最佳轨迹来指导策略学习，并根据现实世界更新其状态行动价值函数，并增强板载数据。在选定的Mujoco健身环境中评估了所提出方法的学习效率，以及在学习的模拟机器人模型中学习运动技能。结果表明，所提出的方法在学习效率和平均奖励回报方面优于当前的最新算法。
translated by 谷歌翻译
毫无疑问，图像的纹理属性是人类和计算机视觉应用中的对象识别任务中最重要的特征之一。在这里，我们研究了四种众所周知的统计纹理特征的神经签名，包括从参与者观看的图像的灰度共同发生矩阵（GLCM）在磁性平的过程中计算的对比，同质性，能量和相关性（MEG ） 数据采集。要追踪人类视觉系统中的这些特征，我们使用多变量模式分析（MVPA）并在表示大脑活动的MEG数据的每个时间点上训练了线性支持向量机（SVM）分类器，并将其与使用图像的纹理描述符进行比较斯普曼相关。该研究的结果表明，在对比度，均匀性，能量和相关的顺序下，在人脑中处理这四个纹理描述符的分层结构。此外，我们发现，在一段时间内，携带图像的广泛质地特性的能量显示出与大脑活动的更持续统计学相关性。
translated by 谷歌翻译
图像处理技术已广泛用于牙科研究，如人体识别和法医牙科，牙齿编号，牙科携带检测和牙周病分析。牙齿成像中最具挑战性的部分之一是牙齿分割，以及如何将它们彼此分开。在本文中，提出了一种含有至少一种根型齿的牙齿X射线图像的齿分割的自动化方法。这种方法的结果可以用作骨病变检测中的初始步骤。所提出的算法由两个阶段制成。第一阶段是预处理。该算法的第二个和主要部分计算旋转度并使用用于齿隔离的整体投影方法。实验结果表明，该算法具有强大，实现高精度。
translated by 谷歌翻译