贝叶斯优化(BO)是黑盒优化的有效工具,其中目标函数评估通常非常昂贵。在实践中,目标函数的低保真度近似值通常是可用的。最近,多保真贝叶斯优化(MFBO)引起了人们的关注,因为它可以通过使用那些更便宜的观测来显着加速优化过程。我们提出了一种新的MFBO信息理论方法。基于信息的方法在BO中很受欢迎,但是基于信息的MFBO的现有研究受到难以准确估计信息增益的困扰。 Ourapproach基于一种基于信息的BO变体,称为最大值熵搜索(MES),它极大地便于评估MFBO中的信息增益。实际上,我们的采集函数的计算是在分析上编写的,除了一维积分和采样之外,可以有效和准确地计算。我们通过使用合成和基准数据集证明了我们方法的有效性,并进一步展示了材料科学数据的实际应用。
translated by 谷歌翻译
在本文中,提出了一种新颖的图像增强网络,其中HDRimages用于为我们的网络生成训练数据。大多数常规图像增强方法(包括基于Retinex的方法)不考虑恢复由剪切和量化引起的丢失像素值。此外,由于网络架构,最近提出的基于CNN的方法仍然具有有限的应用范围或有限的性能。相比之下,所提出的方法具有比现有的基于CNN的方法更高的性能和更简单的网络架构。此外,所提出的方法使我们能够恢复丢失的像素值。实验结果表明,就TMQI和NIQE而言,所提出的方法可以提供比包括基于CNN的方法的常规图像增强方法更高质量的图像。
translated by 谷歌翻译
本文提出了一种基于噪声感知阴影上升功能和Retinex(视网膜和皮质)分解的图像对比度增强方法。在低光照条件下,数码相机拍摄的图像在暗区或亮区均具有低对比度。这是由于成像传感器具有有限的动态范围。为此,已经提出了各种对比度增强方法。我们提出的方法可以增强图像的对比度,而不会过度增强,但也可以增强噪声。在所提出的方法中,基于相关理论将图像分解为照明层和反射层,并且调整照明层的亮度信息。阴影向上功能用于防止过度增强。通过使用噪声感知直方图设计的所提出的映射函数不仅可以增强暗区的对比度,而且即使在强噪声环境下也可以避免放大噪声。
translated by 谷歌翻译
适当的交通规则,例如计划封路,是重要的不利事件。人群模拟器已被用于通过模拟具有不同规则的多个场景来找到适当的规则。然而,这种方法需要多次模拟运行,这是耗时的。在本文中,我们提出了一种方法来学习在当前交通状况作为输入的情况下输出调节效应的函数。如果使用许多模拟运行的训练数据来学习该功能,我们可以通过绕过当前情况的模拟来有效地获得适当的调节。我们使用图形卷积网络对函数进行建模,这使我们能够找到甚至是看不见的规则。通过所提出的方法,我们为每个区域构建图表,其中阳极表示道路,边缘表示道路连接。通过对各个领域的各种法规进行人工模拟,我们可以产生交通情况和监管效果。图形卷积网络被训练以输出给定图表的调节效果,其中交通信息作为输入。通过使用真实世界的道路网和人群模拟器的实验,我们证明了所提出的方法可以找到关闭的道路,这减少了到达目的地所需的平均时间。
translated by 谷歌翻译
目前,作为将关注机制引入二元关系建模的方法,biaffine分类器一直备受关注。例如,在依赖解析领域,Dozatand Manning的Deep Biaffine Parser在英国Penn Treebank和CoNLL 2017共享任务上作为基于图形的依赖性解析器实现了最先进的性能。另一方面,据报道,具有O(n ^ 2)个参数的biaffine分类器中的权重矩阵中的参数冗余导致过拟合(n是维数)。在本文中,我们试图通过假设权重矩阵的对称性或圆度来减少参数冗余。在我们对CoNLL 2017共享任务数据集的实验中,我们模拟了大多数树库的更好或相当的准确度,参数减少超过16%。
translated by 谷歌翻译
为了分析和/或理解基于诸如日语,中文和泰语之类的形态分析而没有单词边界的语言,期望在单词嵌入之前执行适当的分词。但这些语言本来就很困难。近年来,基于深度学习的各种语言模型取得了显着的进步,其中一些利用字符级特征的方法成功地避免了这一难题。然而,当模型被馈送到上述语言的字符级特征时,由于大量的字符类型,它经常导致过度拟合。在本文中,我们提出了一个CE-CLCNN,字符级卷积神经网络,使用字符编码器来解决这些问题。所提出的CE-CLCNN是端到端学习模型并且具有基于图像的字符编码器,即CE-CLCNN将目标文档中的每个字符处理为图像。通过各种实验,我们发现并证实我们的CE-CLCNN捕获了具有视觉和语义相似特征的紧密嵌入特征,并在几个开放文档分类任务中获得了最先进的结果。在本文中,我们报告了CE-CLCNN与维基百科标题估计任务的性能并分析了内部行为。
translated by 谷歌翻译
在本报告中,我们在任务3:ISIC 2018的疾病分类:黑色素瘤检测的皮肤病变分析中介绍了我们系统的概要。我们基于挤压和激励网络(SENet)对多个预先训练的神经网络模型进行了微调。在图像识别领域的最新成果。此外,我们使用平均教师作为一个监督学习框架,并介绍了一些专门设计的皮肤病变分析数据增强策略。我们确认我们的数据增强策略提高了分类性能,并在ISIC2018官方验证数据集上显示了平衡准确度的87.2%。
translated by 谷歌翻译
基于嵌入的知识库完成方法(KBC)学习向量空间中实体和关系的表示,以及用于估计实体之间关系可能性的评分函数。这类评分函数旨在表达足以表达各种现实世界的关系,但这种表达方式是以增加参数数量为代价的。特别是,这些方法中的参数对于对称的对称椭圆对称是多余的。为了缓解这个问题,我们提出了一种新的复合嵌入式L1正则化器,它是KBC最先进的嵌入式方法之一。该正则化器根据观察到的数据,在逐个关系的基础上促进评分函数的对称性或反对称性。我们的实证评估表明,所提出的方法在FB15k数据集上优于原始的复杂嵌入和其他基线方法。
translated by 谷歌翻译
提出了比特流域中JPEG图像的加密方案。即使在加密图像之后,所提出的方案也保留JPEG格式,并且加密图像的文件大小与原始JPEG图像的文件大小完全相同。已经提出了几种用于在比特流域中加密JPEG图像的方法。然而,由于在加密过程中生成或丢失了一些标记代码,因此JPEG比特流的文件大小通常由于加密操作而改变。所提出的方法输入JPEG比特流并选择性地加密比特流中的霍夫曼码的附加比特分量。此功能允许我们使用与图像传输过程中重新编码的相同数据大小的加密图像,当通过挂钩将JPEG图像替换为加密图像时,可以在挂钩后成功执行图像传输。
translated by 谷歌翻译
本文提出了一种有效的双层编码方法,该方法采用直方图打包技术,可以向后兼容传统JPEG。JPEG XT是压缩HDR图像的国际标准,采用双层编码方案,向后兼容传统JPEG。然而,这种双层编码结构不能提供比具有单层结构的HDR图像压缩的其他现有方法更好的无损性能。而且,JPEG XT的无损压缩在编码参数的确定方面存在问题。无损性能受输入图像和/或参数值的影响。也就是说,找到适当的值组合对于实现良好的无损性能是必要的。首先指出考虑到HDR图像的组织图稀疏性的直方图打包技术能够提高无损压缩的性能。然后,提出了一种采用直方图打包技术和附加无损编码器的新型双层编码。实验结果表明,不仅所提出的方法具有比JPEG XT更好的无损压缩性能,而且不需要确定与图像相关的参数值以获得良好的压缩性能,而不会失去与众所周知的传统JPEG标准的向后兼容性。
translated by 谷歌翻译