本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
Ultrasound localization microscopy has enabled super-resolution vascular imaging through precise localization of individual ultrasound contrast agents (microbubbles) across numerous imaging frames. However, analysis of high-density regions with significant overlaps among the microbubble point spread responses yields high localization errors, constraining the technique to low-concentration conditions. As such, long acquisition times are required to sufficiently cover the vascular bed. In this work, we present a fast and precise method for obtaining super-resolution vascular images from high-density contrast-enhanced ultrasound imaging data. This method, which we term Deep Ultrasound Localization Microscopy (Deep-ULM), exploits modern deep learning strategies and employs a convolutional neural network to perform localization microscopy in dense scenarios. This end-to-end fully convolutional neural network architecture is trained effectively using on-line synthesized data, enabling robust inference in-vivo under a wide variety of imaging conditions. We show that deep learning attains super-resolution with challenging contrast-agent densities, both in-silico as well as in-vivo. Deep-ULM is suitable for real-time applications, resolving about 70 high-resolution patches (128x128 pixels) per second on a standard PC. Exploiting GPU computation, this number increases to 1250 patches per second.
translated by 谷歌翻译
膝关节骨性关节炎(OA)是最常见的无骨折的肌肉骨骼疾病,目前的治疗方案仅限于症状缓解。对OA进展的预测是一个非常具有挑战性和及时性的问题,如果得到解决,它可以加速疾病调节药物的开发并最终帮助防止每年进行数百万次关节置换手术。在这里,我们提出了一种基于多模态机器学习的OAprogression预测模型,该模型利用原始射线照相数据,临床检查结果和患者的既往病史。我们在2,129个主题的3,918个膝关节图像的独立测试集上验证了这种方法。我们的方法在ROC曲线(AUC)下产生的面积为0.79(0.78-0.81),平均精度(AP)为0.68(0.66-0.70)。相比之下,基于逻辑回归的参考方法得出的AUC为0.75(0.74-0.77),AP为0.62(0.60-0.64)。该方法可以显着改善OA药物开发试验的主题选择过程,有助于个性化治疗方案的开发。
translated by 谷歌翻译
如今几乎任何给定的任务都可以使用深网动物园,并且越来越不清楚在处理新任务时要从哪个网开始,或者将网用作初始化以微调新模型。为了解决这个问题,在本文中,我们开发了知识流,将“知识”从多个深层网络(称为教师)移动到一个新的深度网络模型,称为学生。教师和学生的结构可以不同,他们可以在不同的输出空间上完成不同任务的训练。在通过知识流程进行培训后,学生将独立于教师。我们展示了我们对各种监督和执行学习任务的方法,超越了微调和其他“知识交换”方法。
translated by 谷歌翻译
许多计算机视觉挑战需要连续输出,但往往通过离散分类来解决。原因是分类在概率$ n $ -simplex内的自然收敛,如流行的softmaxactivation函数所定义。常规回归缺乏这种封闭的几何形状,导致不稳定的训练和收敛到次优的局部最小值。从这个洞察力开始,我们重新审视卷积神经网络中的回归。我们观察到计算机视觉中的连续输出问题自然包含几何流形,如视点估计中的欧拉角或表面法线估计中的法线。产生这种连续输出问题的一个自然框架是$ n $ -spheres,它们是$ \ mathbb {R} ^ {(n + 1)} $空间中定义的自然闭合几何流形。通过在回归输出上引入$ n $ -spheres上的非球面指数映射,我们获得了良好的渐变,从而实现了稳定的训练。我们展示了我们的球面回归如何用于几个计算机视觉挑战,特别是视点估计,表面法线估计和3D旋转估计。对于所有这些问题,我们的实验证明了球形回归的好处。所有纸质资源都可以通过以下网址获得://github.com/leoshine/Spherical_Regression。
translated by 谷歌翻译
磁共振图像(MRI)中骨骼肌的分割对于肌肉生理学和肌肉病理学诊断的研究是必不可少的。然而,大型MRI体积的手动分割是耗时的任务。 MRI中肌肉分割算法的最新技术仍然不是很广泛,并且在某种程度上依赖于数据库。在本文中,提出了一种基于AdaBoost局部纹理特征分类的自动分割方法。纹理描述符由Oriented Gradients(HOG)的Histogram,基于Wavelet的特征以及从灰度MRI的高斯过滤的原始和拉普拉斯算子计算的一组统计测量值组成。分类器性能表明纹理分析可能是设计广义和自动MRI肌肉分割框架的有用工具。此外,本文还描述了基于图谱的单个肌肉分割方法。通过使用适当的仿射变换在图像对准之后覆盖由放射科医师提供的肌肉分割基础事实来获得Theatlas。然后,它用于在AdaBoostbinary分割上定义肌肉标签。当获得准确的肌肉组织分割时,开发的图谱方法提供了合理的结果。
translated by 谷歌翻译
解决复杂任务的大多数动物和人类运动行为涉及动态运动和丰富的接触互动。事实上,复杂的机动需要同时考虑动态运动和接触事件。我们提出了一种分层轨迹优化方法,用于规划具有非预定接触序列的动态运动。我们计算全身运动,实现无法以运动方式达到的目标。首先,我们根据机器人的质心动力学找到可行的CoM运动。然后,我们通过应用机器人的全动力学模型来改进解决方案,其中可行的CoM轨迹被用作热启动点。为了完成非预定接触行为,我们使用互补约束来描述接触模型,即环境几何和非滑动活动接触。两个优化阶段都被提出为具有ComplementarityConstraints(MPCC)的数学程序。实验性试验证明了我们的计划方法在一系列具有挑战性的任务中的表现。
translated by 谷歌翻译
传统的多腿运动运动规划方法将问题分为几个阶段,如接触搜索和轨迹生成。然而,同时推理接触和运动对于复杂的全身行为的产生至关重要。目前,耦合这些问题需要假设固定的步态序列和平坦的地形条件,或者需要具有难以处理的计算时间的非凸优化。在本文中,我们提出了一种混合整数凸形公式,以计算有效的方式同时接触位置,步态过渡和运动。与之前的作品相比,我们的方法不仅限于平坦的地形,也不限于预先指定的步态序列。相反,我们结合摩擦锥稳定裕度,近似机器人的扭矩限制,并使用混合整数凸约束来规划步态。我们通过遍历不同的挑战性地形实验验证了我们对HyQ机器人的方法,其中非凸性和平坦地形假设可能导致次优或不稳定的计划。我们的方法在保持较低的计算时间的同时增加了运动的一般性。
translated by 谷歌翻译
作为行人和司机,人类通常巧妙地驾驶交通路口。尽管通常在这些交互中发现了不确定性,危险性和通信的非语言特征,但考虑到交互的总数,几乎没有碰撞。随着自动化技术在车辆中的作用越来越大,了解行人和驾驶员行为之间的关系变得越来越重要:行人如何看待车辆/驾驶员的行为以及行人如何做出交叉决定。已经广泛研究了到达时间(TTA)和行人间隙接受之间的关系(即,行人是否选择穿过时间窗口穿过)。然而,在非语言交流的背景下,车辆轨迹的动态性质尚未得到系统的探索。我们的工作提供了证据,证明轨迹动态,例如TTA的变化,可以成为司机和行人之间非语言交流的强大信号。此外,我们在模拟和现实世界的数据集中研究这些影响,这两个数据都比我们以前在文献中最好的知识所考虑的要大。
translated by 谷歌翻译
我们提出了一个动态四足运动的框架,在挑战中,选择合适的立足点对于行为的成功至关重要。我们使用有效的占用网格表示在线和在线构建环境模型。我们使用Any-time-Repairing A *(ARA *)在树上搜索可能的动作,选择粗糙的身体路径并相应地选择局部最佳的立足点。我们使用动态稳定性指标ZeroMoment Point(ZMP)对身体轨迹进行n步式前瞻优化,生成自然动态的全身运动。浮动基础逆动力学和虚拟模型的组合在一个积极顺应的系统上执行所需的运动。实验试验表明,这个框架允许我们以前一次工作速度的6倍的速度穿越地形,在同一组房间进行评估。
translated by 谷歌翻译