目的:将深度卷积神经网络(CNN)应用于心肌动脉旋转标记(ASL)灌注成像中的左心室分割任务。开发基于特定假阳性与假阴性权衡的测量不确定性和适应性分类的方法。方法:我们使用改进的UNET架构和Monte Carlo(MC)压降。该模型对来自22名受试者的数据进行训练,并对来自6名心脏移植受者的数据进行测试。手动分割和定量心血流量(MBF)图可用于比较。我们考虑两个分割不确定性的全局核心,“骰子不确定性”和“MC不确定性”,它们分别使用和不使用手动分割计算。使用超参数$ \ beta $的Tversky损失函数来使模型适应特定的假阳性与假阴性权衡。结果:改进的UNET模型在测试集上实现了均值(std)= 0.91(0.04)$的Dice系数。使用自动分割测量的MBF与使用手动分割测量的自动分割相关($ R ^ 2 = 0.96 $)。骰子不确定性和MC不确定性非常一致($ R ^ 2 = 0.64 $)。随着$ \ beta $的增加,误报率系统性下降,假负率率系统性上升。结论:我们证明了使用CNN在心肌ASL数据中自动分离左心室的可行性。由于低血压和不一致的血液 - 心肌对比噪声比,这是特别具有挑战性的应用。我们还展示了衡量不确定性并适应假阳性率和假阴性率之间所需权衡的新方法。
translated by 谷歌翻译
RNN语言模型已经在各种任务上取得了最先进的结果,但它们对语法的确切表达尚不清楚。在这里,我们研究RNN语言模型是否在句法变更中学习类似人类的单词顺序偏好。我们收集语言模型的惊人得分,用于控制句子刺激,在英语中表现出重要的句法变化:重度NP移位,粒子移位,交替交替和属性交替。我们表明RNN语言模型基于NP长度,生命力和确定性在这些交替中重现人类偏好。我们在第一个可接受判断实验中直接操纵语法的预测因子,为我们的刺激收集人类的可接受性等级。我们表明RNN的表现类似于人类可接受性评级,并且与n-gram基线模型不匹配。我们的研究结果表明,RNNs学习了权重,生命和无限性的抽象特征,这是句法变更的软约束的基础。
translated by 谷歌翻译
机器人在越来越复杂的环境中使用,并且有望适应变化和未知情况。最简单,最快捷的方法是改变机器人的控制系统,但对于越来越复杂的环境,人们也应该改变机器人的身体 - 它的形态 - 以更好地适应手头的任务。体验认知的理论认为,控制不是认知的唯一来源,身体,环境,这些与心灵之间的相互作用都有助于认知资源。利用这些概念可以改善适应性,稳健性和多功能性,然而,在现实世界的机器人上执行这些概念会对硬件提出额外的要求,并且与学习控制相比有几个挑战。与进化机器人技术的大部分工作相比,艾本在“进化机器人的巨大挑战”中争论真实世界的实验。这需要能够进行重复实验的强大硬件平台,当不可预见的需求出现时,这些实验同时应该是灵活的。在本文中,我们介绍了具有自适应形态的独特机器人平台。我们讨论了设计时遇到的挑战,以及从现实世界测试和学习中汲取的经验教训。
translated by 谷歌翻译
受近期神经机器翻译和图像标题生成的成功启发,我们提出了一种基于注意力的编码器解码器模型(AED)来识别越南手写文本。该模型由两部分组成:用于提取不变特征的aDenseNet,以及用于生成输出文本(LSTM解码器)的注意模型的长短期记忆网络(LSTM),它们从CNN部分连接到注意模型。 CNN部分的输入是手写文本图像,并且LSTM解码器的目标是输入图像的对应文本。我们的模型是trainedend-end来预测来自给定输入图像的文本,因为所有部分都是不同的组件。在实验部分,我们在VNOnDB-Word和VNOnDB-Line数据集上评估我们提出的AED模型,以验证其效率。经验结果表明,我们的模型在不使用任何语言模型的情况下达到了12.30%的字错误率。这一结果与谷歌在越南在线手写文本识别竞赛中提供的手写识别系统相竞争。
translated by 谷歌翻译
我们给出了过度约束的回归问题的第一维降维方法。 Tukey损失函数$ \ | y \ | _M = \ sum_i M(y_i)$有剩余误差的$ M(y_i)\ approx | y_i | ^ p $ $ $ y_i $小于规定阈值$ \ tau $,但是$ M(y_i)$对于错误$ | y_i |变为常量> \ tau $。我们的结果取决于一个新的结构结果,建设性地证明,对于任何$ d $ -dimensional子空间$ L \ subset \ mathbb {R} ^ n $,有一个固定的有界大小的坐标子集,包含每个$ y \ in L $,关于Tukey损失函数的所有大坐标,$ y $。我们的方法将给定的Tukey回归问题减少到较小的加权版本,whosesolution对于原始问题是可证明的良好近似解。我们的减少是快速,简单和易于实现的,并且我们使用现有的启发式解算器为小版本提供了证明其实用性的经验结果。我们还给出了指数时间算法,给出了可证明的解决方案,并且硬度结果表明在最坏的情况下不太可能出现显着的加速。
translated by 谷歌翻译
漫画是一种人物形象的艺术形式,其中某些特征被抽象或夸大以产生愚蠢或讽刺效果。对于众多漫画相关的应用,如属性识别和漫画编辑,面部解析是一个必不可少的预处理步骤,提供完整的面部结构理解。然而,当前最先进的面部解析方法需要在像素上的大量标记数据 - 漫画的水平和这样的过程是乏味和劳动密集型的。对于真实照片,有许多用于faceparsing的标记数据集。因此,我们将漫画人脸解析制定为领域适应问题,其中真实照片扮演源域的角色,适应目标漫画。具体来说,我们首先利用基于空间变换器的网络来实现形状域移位。然后利用前馈式传输网络来捕获纹理级域间隙。通过这两个步骤,从真实照片中合成面部漫画,因此我们可以使用原始照片的解析背景来学习解析模型。对合成和真实漫画的实验结果证明了所提出的域自适应算法的有效性。代码位于:https://github.com/ZJULearning/CariFaceParsing。
translated by 谷歌翻译
我们展示的第一次,就我们所知,这是可能的toreconcile在网上学习的零和游戏两个看似contradictoryobjectives:消失时间平均的遗憾和不消失的步长。 Thisphenomenon,我们硬币``速度与激情”的学习游戏,设置一个关于什么是可能无论是在最大最小优化以及inmulti代理系统newbenchmark。我们的分析不依赖于引入carefullytailored动态。相反,我们关注在最充分研究的在线动态梯度下降。同样,我们专注于最简单的教科书类的游戏,2剂的双策略零和游戏,如匹配便士。即使thissimplest基准的总最著名的束缚悔,为ourwork之前,当时的$琐碎一个O(T)$,这是立即适用甚至anon在学习剂。基于扩散核武器-平衡轨迹的双重空间,我们证明了一个遗憾的几何形状的紧密理解结合$ \西塔(\ SQRT横置)$匹配在网上设置开往自适应stepsizes众所周知的最佳的,这保证适用于具有预先知道的时间范围,并调整fixedstep尺寸所有固定步sizeswithout因此。作为一个推论,我们建立,即使fixedlearning率的时间平均的混合策略,公用事业收敛其得到精确的纳什均衡值。
translated by 谷歌翻译
本文针对具有静态障碍的约束工作空间中的多个水下航行器操纵系统(UVMS)进行协同物体运输的问题,其中协调仅依赖于机器人与普通抓取物体的物理相互作用引起的隐性通信。我们提出了一种新颖的分布式领导者 - 跟随式结构,其中领先的UVMS,其具有对象的期望轨迹的知识,试图通过阻抗控制定律实现期望的跟踪行为,以这种方式导航,朝向目标配置的整体形成,同时避免碰撞有障碍。另一方面,以下UVMS通过新规定的性能估计法则估计物体的期望轨迹,并实施类似的阻抗控制定律。反馈依赖于每个UVMS的力/扭矩测量,并且没有明确的数据在机器人之间在线交换。此外,控制方案根据其特定的有效负载能力采用UVMS之间的负载分配。最后,各种模拟研究阐明了所提出的方法并验证了其效率。
translated by 谷歌翻译
虽然卷积神经网络(CNN)在各种分类/识别任务上取得了令人瞩目的成绩,但它们通常包含大量参数。这导致显着的存储器需求以及计算开销。因此,需要用于压缩基于CNN的模型的过滤器级修剪方法,这不仅减少了参数的总数,而且还减少了整体计算。我们提出了一个新的min-max框架,用于CNN的过滤级修剪。我们的框架,称为Play和Prune(PP),通过自适应修剪,共同修剪和微调CNN模型参数,同时保持模型的预测性能。我们的框架由两个模块组成:(1)自适应滤波器修剪(AFP)模块,它最大限度地减少了模型中滤波器的数量; (2)修剪率控制器(PRC)模块,其在修剪期间最大化精确度。此外,与以前的方法不同,我们的方法允许直接指定欲望差异而不是修剪级别。我们的压缩模​​型可以在运行时进行部署,无需任何特殊的库或硬件。我们的方法减少了VGG-16的参数数量,令人印象深刻的因子为17.5倍,FLOPS的数量减少了6.43倍,没有精度损失,显着优于其他最先进的滤波器修剪方法。
translated by 谷歌翻译
将状态映射到深度强化学习中的动作主要基于视觉信息。处理视觉信息的常用方法是从图像中提取像素并将其用作强化学习代理的状态表示。但是,任何只有视觉的代理人都是由于无法感知到听觉线索而被禁止的。使用听觉,动物可以感知超出视觉范围的目标。在这项工作中,我们建议仅在国家代表中使用音频作为视觉的补充信息。我们评估了这种多模式设置对ViZDoom环境中的目标任务的影响。结果表明,当视觉信息伴随听觉特征时,年龄改善其行为。
translated by 谷歌翻译