内窥镜伪影是促进中空器官疾病的诊断和治疗的核心挑战。精确检测特定伪像,如像素饱和度,运动模糊,镜面反射,气泡和碎片,对于高质量的帧恢复至关重要,对于实现可靠的计算机辅助工具以改善患者护理至关重要。目前,由于视频帧中存在大量的多类伪像,目前大多数内窥镜检查视频尚未进行分析。通过内窥镜伪影检测(EAD 2019)的挑战,我们通过解决内窥镜框架伪影的准确识别和定位来解决这一关键瓶颈问题,从而能够对不可用的视频帧进行进一步的关键定量分析,例如镶嵌和3D重建,这对于提供改善的患者护理至关重要。本文总结了挑战任务,并描述了在EAD 2019挑战中建立的数据集和评估标准。
translated by 谷歌翻译
在本文中,我们提出了一种确定性的方法来重建动态磁化率对比磁共振成像数据,并将其与文献中存在的压缩传感解决方案进行比较,以解决同一问题。我们的研究是基于对问题的数学分析,由于其非多项式复杂性,这在计算上是难以处理的,但是提出了简单的启发式算法,它们表现得非常好。我们给出了真实图像和带有附加噪声的人工模型的结果。
translated by 谷歌翻译
超声序列的自动分析可以显着提高临床诊断的效率。在这项工作中,我们尝试通过超声图像自我测量测量胎儿主动脉血管直径的挑战性任务。我们提出了一个由三个块组成的神经网络体系结构:一个用于提取成像特征的卷积层,一个卷积门控递归单元(C-GRU),它可以预测视频帧的时间相干性,利用信号的时间冗余,以及一个正则化的损失函数,称为\ textit {CyclicLoss},用于强加我们关于观测信号周期性的先验知识。我们提出的实验证据表明,所提出的结构可以达到大大优于先前提出的方法的准确度,平均误差平均从0.31 mm ^ 2 $(现有技术)减少到0.09 mm ^ 2 $,并且相对于错误从$ 8.1 \%$减少到$ 5.3 \%$。所提出的方法的平均执行速度为每秒289帧,使其适合于实时临床使用。
translated by 谷歌翻译
由于大数据革命和不断增长的计算能力,人工智能(AI)在过去几年中取得了令人印象深刻的复兴,现在在研究和工业领域都无处不在。创意部门一直是人工智能技术的早期采用者,这种情况一直如此。事实上,最近的技术发展突破了创意应用中智能系统的界限:2016年发布的备受好评的电影“Sunspring”完全是由人工智能技术编写的,也是有史以来第一部名为“Hello World”的音乐专辑,使用人工智能生产的产品已于今年发布。同时,创造性过程的探索性特征为AI提出了重要的技术挑战,例如,在传统的“大数据”方法或者处理,分析和匹配数据的能力下,人工智能技术在有限的数据源下是准确的。从多种形式(文本,声音,图像等)同时进行。本白皮书的目的是了解人工智能的未来技术进步及其对创造性产业日益增长的影响。本文讨论了以下问题:AI在创意产业中的运作方式?它的作用是什么? AI将如何在未来十年内转变创意产业?本白皮书旨在提供关于创意产业中人工智能行为范围的现实视角,提出该技术如何为此类背景下的研究和开发工作做出贡献的愿景,并确定研究和发展挑战。
translated by 谷歌翻译
ChronoMID建立在跨模态卷积神经网络(X-CNN)成功的基础上,使该技术应用于医学成像数据。具体而言,本文介绍并比较了替代方法 - 时间戳和差异图像 - 以结合时间信息用于小鼠骨病的分类,应用于小鼠的微CT扫描。虽然之前关于疾病和疾病分类的许多工作都是基于结合了领域专业知识和假设的明确编码的数学模型,但是这里给出的方法利用计算资源的增长可用性来分析大数据集并且在空间和时间上都没有发现模式。在对平衡的75000幅图像进行训练之后,所有包含时间特征的模型在包含超过20000幅图像的看不见的平衡验证集上优于最新的CNN基线。表现最佳的模型准确率达到99.54%,而CNN基线达到73.02%。
translated by 谷歌翻译
随着机器学习技术的日益普及,人们对使机器学习系统更加透明和可解释的研究兴趣激增。已经开发了各种可视化以帮助模型开发者理解,诊断和改进机器学习模型。然而,大量潜在但被忽视的用户是领域专家,他们对机器学习知之甚少,但预计会与机器学习系统配合使用。在本文中,我们提出了一种交互式可视化技术,以帮助在机器学习方面缺乏专业知识的用户了解,探索和验证预测模型。通过将模型视为ablack框,我们从输入 - 输出行为中提取标准化的基于规则的知识表示。我们设计了RuleMatrix,这是一个基于矩阵的规则可视化,可以帮助用户导航和验证规则和黑盒模型。我们通过两个用例和一个可用性研究来评估RuleMatrix的有效性。
translated by 谷歌翻译
组合首选项聚合在AI中有许多应用。鉴于这些偏好的指数性质,需要紧凑的表示,并且($ m $)CP网络是研究最多的网络之一。顺序和全局投票是通过CP网络聚合偏好的两种方式。在前者中,首选项按功能进行聚合。因此,当偏好具有特定的特征依赖性时,顺序投票可能表现出投票悖论,即,它可能选择次优结果。为了避免顺序投票中的悖论,人们已经假设了$ \ mathcal {O} $ - 合法性限制,这在所有CP网络中强加了共同的顺序。相反,在全球投票中,CP网在偏好聚合期间被视为一个整体。对于这个原因,全球投票不受悖论的影响,并且没有必要对CP网的拓扑结构施加限制。对$ \ mathcal {O} $ - 法定CP网的连续投票已被广泛调查。另一方面,尽管在文献中已经指出全球投票和连续投票之间的理论比较是有希望的,并且对全球投票进行了精确的复杂性分析,但对于非$ \ mathcal {O} $ - 法律CP网的全球投票并未仔细分析。有人问了好几次。在相当少的工作中,对CP-nets的全球投票的复杂性给出了非常局部的结果。我们开始通过对帕累托和多数全球投票进行全面复杂性分析来填补这一空白,而不仅仅是$ \ mathcal {O} $ - 合法的非循环二元多项式连接(m)CP网。我们在多项式层次结构中解决了这些问题,其中一些问题在PTIME或LOGAPACE中,而EXPTIME是之前已知的大多数问题的上界。我们展示了各种紧密的下界和匹配的上界,因为最新的问题没有任何明显的非明显的下界。
translated by 谷歌翻译
新一代分布式系统为逻辑编程(LP)开辟了新的视角:一方面,面向服务的架构代表了当今分布式系统工程的标准方法;另一方面,普适系统要求位置智能。在本文中,我们将逻辑编程即服务(LPaaS)概念介绍为通过逻辑引擎作为分布式服务来满足普适智能系统的需求。首先,我们通过在新的上下文中重新解释经典的LP概念来定义抽象体系结构模型;然后我们通过描述基本的LPaaS接口来详细阐述LP被解释为服务的本质。最后,我们通过讨论分布式tuProlog引擎的实现,解决LPaaS在实践中的工作原理,解决了互操作性和可配置性等基本问题。
translated by 谷歌翻译
预测供应网络中资源需求和消耗的关键组成部分是对实时时间序列的准确预测。实际上,通过实施有效的预测系统,可以减少服务中断和资源浪费。在过去几十年中,重要的研究致力于设计和开发短期负荷预测方法。一类称为逆流神经网络的数学模型如今在研究人员中引起了新的兴趣,它们正在取代以前基于静态方法的预测系统的许多实际实施。尽管这些架构具有无可否认的强大功能,但它们的复发性质使其在理解中变得更加复杂,并在训练过程中带来了挑战。最近,出现了新的重复架构的重要系列,并且尚未完全研究负载预测背景下的可适用性。在本文中,我们通过使用不同类型的现有的逆流神经网络对短期负荷预测问题进行了比较研究。我们首先对受控合成任务进行测试,然后对不同的真实数据集进行测试,涵盖重要的实际研究案例。我们提供了最重要的体系结构的概述,并定义了配置循环网络以预测实时时间序列的指南。
translated by 谷歌翻译