在医学中，图像注册对于图像引导的干预措施和其他临床应用至关重要。但是，很难解决，通过机器学习的出现，最近在该领域的医疗图像注册方面已经取得了很大的进步。深度神经网络的实施为某些医学应用提供了机会，例如在更少的时间内进行图像注册，以高精度，在操作过程中对抗肿瘤中发挥关键作用。当前的研究对基于无监督的深神经网络的医学图像注册研究的最新文献进行了全面的范围审查，其中包括到本领域在此日期中发表的所有相关研究。在这里，我们试图总结医学领域中无监督的基于深度学习的注册方法的最新发展和应用。在当前的全面范围审查中，精心讨论和传达了基本和主要概念，技术，从不同观点，新颖性和未来方向的统计分析。此外，这篇评论希望帮助那些被这一领域铆接的活跃读者深入了解这一激动人心的领域。
translated by 谷歌翻译
我们建议在没有观察到的变量的情况下，提出基于订购的方法，用于学习结构方程模型（SEM）的最大祖先图（MAG），直到其Markov等效类（MEC）。文献中的现有基于订购的方法通过学习因果顺序（C-order）恢复图。我们提倡一个名为“可移动顺序”（R-rorder）的新颖订单，因为它们比结构学习的C端口有利。这是因为R-orders是适当定义的优化问题的最小化器，该问题可以准确解决（使用强化学习方法）或大约（使用爬山搜索）。此外，R-orders（与C-orders不同）在MEC中的所有图表中都是不变的，并将C-orders包括为子集。鉴于一组R-orders通常明显大于C-orders集，因此优化问题更容易找到R级而不是C级。我们评估了在现实世界和随机生成的网络上提出的方法的性能和可伸缩性。
translated by 谷歌翻译
在本文中，引入了两种半监督外观循环闭合检测技术，HGCN-FABMAP和HGCN弓。此外，还提出了对艺术本地化的当前状态的扩展。提出的HGCN-FABMAP方法是以离线方式实施的，该方法结合了贝叶斯概率模式进行循环检测决策。具体而言，我们让双曲线图卷积神经网络（HGCN）在冲浪中运行，并在SLAM过程中执行矢量量化部分。先前使用HKMeans，Kmeans ++等算法以无监督的方式进行此部分。使用HGCN的主要优点是它在图形边数的数量上线性缩放。实验结果表明，HGCN-FABMAP算法比HGCN-ORB需要更多的簇质心，否则无法检测到环的封闭。因此，我们认为HGCN-ORB在记忆消耗方面更有效率，同样，我们得出了HGCN-BOW和HGCN-FABMAP相对于其他算法的优越性。
translated by 谷歌翻译
在本文中，我们介绍了AE-fabmap，这是一种新的基于单词的SLAM方法的新型自制袋。我们还提出了AE-ORB-SLAM，这是基于弓的路径计划算法的当前状态的修改版本。也就是说，我们已经使用了深层卷积自动编码器来查找循环封闭。在单词袋的背景下，矢量量化（VQ）被认为是SLAM过程中最耗时的部分，通常使用无处可比的算法（例如Kmeans ++）在SLAM算法的离线阶段执行。我们通过集成用于进行矢量量化的自动编码器，以一种自制的方式解决了基于弓的SLAM方法的循环闭合检测部分。这种方法可以提高大规模大规模的精度，那里有大量未标记的数据。使用自我监督的主要优点是它可以帮助减少标签量。此外，实验表明，在速度和存储器消耗方面，自动编码器比诸如图形卷积神经网络之类的半监督方法效率要高得多。我们将这种方法集成到了最先进的远程外观词slam fabmap2的视觉袋中，也将其集成到Orb-Slam中。在所有情况下，实验证明了这种方法在室内和室外数据集中比常规FABMAP2的优越性，并且在环路闭合检测和轨迹生成方面的准确性更高。
translated by 谷歌翻译
降低策略梯度方法方差的梯度估计器已成为近年来增强学习研究的主要重点之一，因为它们允许加速估算过程。我们提出了一种称为Sharp的方差降低的策略梯度方法，该方法将二阶信息纳入随机梯度下降（SGD）中，并使用动量和时间变化的学习率。 Sharp Algorithm无参数，实现$ \ Epsilon $ - Appro-Appro-Approximate固定点，带有$ O（\ Epsilon^{ - 3}）$的轨迹数，同时使用批量的大小为$ O（1）$迭代。与以前的大多数工作不同，我们提出的算法不需要重要的抽样，这可能会损害降低方差的优势。此外，估计错误的差异会以$ o（1/t^{2/3}）$的快速速率衰减，其中$ t $是迭代的数量。我们广泛的实验评估表明，拟议算法对各种控制任务的有效性及其对实践中最新状态的优势。
translated by 谷歌翻译