青光眼是世界范围内可预防,不可逆转的失明的主要原因。这种疾病可以保持无症状直至严重,估计有50%-90%的青光眼患者仍未确诊。因此,建议对青光眼筛查进行早期检测和治疗。检测青光眼的一种经济有效的工具可以扩大医疗保健对更大患者群体的访问,但目前还没有这种工具。我们使用5833幅图像的回顾性数据集训练深度学习(DL)算法,评估可升级性,青光眼视神经乳头(ONH)特征和可逆性青光眼风险。使用2个单独的数据集验证所得算法。对于可参考的青光眼风险,该算法在验证数据集“A”中具有0.940(95%CI,0.922-0.955)的AUC(1,205个图像,1个图像/患者; 19%可参考其中图像由研究员培训的青光眼专家小组裁定,并在验证数据集“B”中分析0.858(95%CI,0.836-0.878)(来自9,643名患者的17,593张图像; 9.2%的图像来自亚特兰大退伍军人事务部眼科诊所糖尿病视网膜电视检查程序使用临床转诊决定作为参考标准)。此外,我们发现垂直杯与椎间盘比> = 0.7,神经视网膜边缘,视网膜神经纤维层缺损和裸露的环形血管的存在对青光眼专家和算法的青光眼风险评估贡献最大。对于青光眼ONH特征,算法AUC介于0.608-0.977之间。 DL算法对10名年级学生中的6名(包括3名青光眼专家中的2名)具有明显更高的敏感性,相对于所有评分者具有相当或更高的特异性。仅在眼底图像上训练的DL算法可以以更高的灵敏度和对眼睛护理提供者的可比特异性来检测可参考的青光眼风险。
translated by 谷歌翻译
巴西法院系统目前是世界上最堵塞的司法系统。每天都有成千上万的诉讼案件到达最高法院。这些案件需要进行分析,以便与相关标签相关联并分配给合适的团队。大多数案件作为具有广泛可变质量水平的光栅扫描文件到达法院。分析的第一步是对这些文件进行分类。在本文中,我们提出了一个双向长短期记忆网络(Bi-LSTM)来对这些法律文件进行分类。
translated by 谷歌翻译
基于分解的多目标进化算法(MOEA / D)代表了一种广泛使用的基于种群的元启发式算法,用于解决多准则优化问题。我们介绍了MOEADrpackage,它提供了许多这些变体作为面向组件的框架的实例。这种方法有助于从文献中更容易再现现有MOEA / D变体,以及更快地开发和测试新的复合算法。该软件包提供了基于该框架的MOEA / D的标准化模块化实现,旨在为研究人员和从业人员提供一种讨论和表达MOEA / D变体的标准方法。在本文中,我们介绍了MOEADr软件包背后的设计原理,以及它的当前组件。提供了三个案例研究来说明该方案的主要方面。
translated by 谷歌翻译
传统的治疗方法限制了外科医生的灵活性控制,这是由于有限的视野。随着机器人辅助手术的出现,微创手术的医疗技术已经发生了范式转变。然而,在手术场景中追踪手术器械的位置是非常具有挑战性的,并且精确检测和识别手术工具是至关重要的。基于深度学习的手术视频的语义分割框架有可能促进这项任务。在这项工作中,我们通过引入经过预先训练的编码器并重新设计解码器部分来修改名为U-NetPlus的U-Net架构,方法是将转置的卷积操作替换为基于最近邻(NN)插值的上采样操作。为了进一步提高性能,我们还采用了一种非常快速且灵活的数据增强技术。我们通过MICCAI 2017EndoVis Challenge数据集对8 x 225帧机器人手术视频序列进行了框架训练,并在8 x 75帧和2 x 300帧视频上进行了测试。使用我们的U-NetPlus架构,我们报告用于二进制分割的90.20%DICE,用于仪器部分分割的76.26%DICE,以及​​用于仪器类型(即,所有仪器)分段的46.07%,优于在这些数据上实现和测试的先前技术的结果。
translated by 谷歌翻译
本文描述了针对机器翻译(MT),实体发现和链接(EDL)以及文本和语音中的情景帧(SF文本和语音)的检测的低资源人类语言技术(LoReHLT)2018评估的ARIEL-CMU提交。
translated by 谷歌翻译
已经开发了面部去识别算法以响应公共视频记录和监视摄像机的普遍使用。在这里,我们评估了在监控驾驶员的情况下身份掩蔽的成功,因为他们积极地操作机动车辆。我们比较了使用人类感知器的八种去识别算法的有效性。所测试的算法包括用于面部动作转移(FAT)的个性化监督双线性回归方法,呈现通用化身表面的DMask方法,以及使用和不使用图像极性反转(Canny,Scharr)实现的两种边缘检测方法。我们还使用了一种结合FAT和Canny方法的Overmask方法。我们比较了这些身份屏蔽方法,以识别驱动程序的未屏蔽视频。人类受试者在标准的面部识别实验中进行了测试,其中他们以高分辨率(工作室风格)图像学习驾驶员身份,并随后测试他们识别这些个人驾驶的蒙面和未掩盖视频的能力。相对于未屏蔽的视频,所有屏蔽方法基本上降低了识别准确度。最成功的方法,DMask和Canny,将人类识别性能降低到接近随机。在所有情况下,使用严格的决策标准进行鉴定,表明受试者对其决策的信心不足。我们得出结论,经过仔细测试的去识别方法,单独使用或组合使用,可以成为保护捕获的视频个人隐私的有效工具。未来的工作应该检查最有效的方法如何保持面部动作识别。
translated by 谷歌翻译
深度学习研究的长期目标是精确地描述培训和概括。然而,神经网络经常复杂的损失景观使学习动力学理论变得难以捉摸。在这项工作中,我们表明,对于广泛的神经网络,学习动力学显着简化,并且在无限宽度限制中,它们由一个线性模型控制。网络初始参数的一阶泰勒展开式。此外,镜像宽贝叶斯神经网络和高斯过程之间的对应关系,具有平方损失的宽神经网络的基于梯度的训练产生了从具有特定组成核的高斯过程绘制的测试集预测。虽然这些理论结果仅在无限宽度限制中是精确的,但我们仍然发现原始网络的预测与线性化版本的预测之间存在极好的经验一致性,即使对于有限的实际大小的网络也是如此。该协议在不同的体系结构,优化方法和损失函数方面都很强大。
translated by 谷歌翻译
据我们所知,我们报告了生成对抗网络(GAN)的第一次端到端应用,用于合成视网膜的光学相干断层扫描(OCT)图像。在给定数据类型的采样时,生成模型已经获得了他们可以合成的越来越逼真的图像的最近的注意力。在本文中,我们将GAN应用于视网膜OCT的采样分布。我们观察到现实OCT图像的合成,描绘了可识别的病理学,例如黄斑裂孔,脉络膜血管膜,近视变性,黄斑囊样水肿和中心性视网膜病变等。这是其第一次这样的报道。这项新技术的潜在应用包括手术模拟,治疗计划,疾病预测,以及加速开发新药和治疗视网膜疾病的外科手术。
translated by 谷歌翻译
贝叶斯优化算法(BOA)是使用贝叶斯网络作为概率图形模型(PGM)的分布算法估计(EDA)。给定解决方案样本确定最优贝叶斯网络结构是NP难问题。此步骤应在BOA的每次迭代中完成,从而导致非常耗时的过程。出于这个原因,mostimplementations使用贪婪的估计算法,如K2。然而,我们在本文中表明,PGM结构的显着变化不会发生,并且在进化结束时可能特别稀疏。因此,提出了BOA的统计学研究,以表征PGM调整模式,该模式可用作减少进化过程中PGM更新频率的指南。这是通过提出一种新的基于BOA的优化方法(FBOA)来实现的,该方法的PGM不会在每次更新时更新。这种新方法避免了标准BOA中常见的计算负担。结果比较了两种算法在一个NG风景优化问题上的性能,使用了坚固性和预期运行时间相关的枚举实例。实验表明,FBA具有竞争力,同时显着节省了计算时间。
translated by 谷歌翻译
替换盒(S-box)是经常用于加密算法设计的非线性对象。高质量S盒的设计是一个令人感兴趣的问题,引起了很多关注。近年来已经进行了许多尝试以使用启发式方法来设计S盒,但结果远远不同于先前已知的最佳获得的S盒。不幸的是,大部分努力都用于探索不同的算法和适应度函数,同时很少注意理解为什么这个问题难以启发。在本文中,我们进行健身景观分析,以更好地理解为什么这个问题很难解决。除此之外,我们发现几乎每个初始起点都有自己的局部最优,尽管网络高度互联。
translated by 谷歌翻译