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 $的增加,误报率系统性下降,假负率率系统性上升。结论:我们证明了使用CNN在心肌ASL数据中自动分离左心室的可行性。由于低血压和不一致的血液 - 心肌对比噪声比,这是特别具有挑战性的应用。我们还展示了衡量不确定性并适应假阳性率和假阴性率之间所需权衡的新方法。
translated by 谷歌翻译
RNN语言模型已经在各种任务上取得了最先进的结果,但它们对语法的确切表达尚不清楚。在这里,我们研究RNN语言模型是否在句法变更中学习类似人类的单词顺序偏好。我们收集语言模型的惊人得分,用于控制句子刺激,在英语中表现出重要的句法变化:重度NP移位,粒子移位,交替交替和属性交替。我们表明RNN语言模型基于NP长度,生命力和确定性在这些交替中重现人类偏好。我们在第一个可接受判断实验中直接操纵语法的预测因子,为我们的刺激收集人类的可接受性等级。我们表明RNN的表现类似于人类可接受性评级,并且与n-gram基线模型不匹配。我们的研究结果表明,RNNs学习了权重,生命和无限性的抽象特征,这是句法变更的软约束的基础。
translated by 谷歌翻译
我们提出了一种新的深度递归神经网络(RNN)架构的强相信号重构。我们的网络是通过展开近端梯度法的解决方案来设计的,该方法解决了l1-l1最小化问题。因此,我们的网络通过设计利用信号具有稀疏表示并且连续信号表示之间的差异也是稀疏的。我们在从压缩测量重构视频帧的任务中评估所提出的模型,并且表明它优于几种最先进的RNN模型。
translated by 谷歌翻译
肺叶的可靠和自动分割对于肺病的诊断,评估和量化是重要的。现有技术过于缓慢,不合需要地依赖于先前(气道/血管)分割,和/或需要用户交互以获得最佳结果。这项工作提出了基于进步密集V网络(PDV-Net)的可靠,快速和全自动肺叶分割。所提出的方法可以在网络的一个正向通道中对肺叶进行分割,使用1个Nvidia Titan XP GPU平均运行时间为2秒,无需任何先前的地图集,肺分割或任何后续用户干预。我们使用来自LIDC的84个胸部CT扫描和来自LTRCdatasets的154个病理学病例评估我们的模型。我们的模型LIDC测试集的Dice评分为$ 0.939 \ pm 0.02 $,LTRC测试集的Dice评分为$ 0.950 \ pm 0.01 $,明显优于a2D U-net模型和3D密集V-net。我们针对来自LOLA11挑战的55个进一步评估了我们的模型,得到的平均骰子评分为0.935 ---表现水平与表现最佳的团队竞争,平均得分为0.938。我们广泛的稳健性分析还表明,我们的模型可以在不同供应商的CT扫描中可靠地分割健康和病理性肺叶,并且我们的模型可以很好地抵抗CTscan重建的配置。
translated by 谷歌翻译
我们提出了一个积极的感知问题,其中自主代理主动与具有潜在对抗行为的第二代理交互。鉴于其他代理人意图的不确定性,目标是收集进一步的证据以帮助区分潜在的威胁。主要的技术挑战是代理意图的部分可观察性,对手模型以及相应的不确定性建模。请注意,攻击者可能会通过使用从过去经验中学到的欺骗性策略来误导自治代理。我们提出了一种方法,将信念空间规划,生成对手建模和最大熵增强学习相结合,以获得随机信念空间策略。通过计算模拟框架中的各种对抗行为并最小化自治代理行为的可预测性,所得到的策略对未建模的对抗策略更加健壮。与标准的增强约束部分可观察马尔可夫决策过程稳健方法相比,这种改进的鲁棒性是根据对手来实现的,该对手适应于对自治代理的策略进行索引。
translated by 谷歌翻译
电路混淆是最近提出的防御机制,通过使用伪装门(即,逻辑门,其功能不能由攻击者精确确定)来保护数字集成电路(IC)免于逆向工程。已经存在有效的方案,例如基于可满足性检查(SAT)的攻击,其可以潜在地解密混淆的电路,称为反混淆。根据IC和伪装门的数量和布局,反混淆运行时可能具有从几毫秒到数千年或更长的大跨度。因此,准确地预先估计反混淆运行时对于防御者最大化它并优化其防御非常重要。然而,估计反混淆运行时是一项具有挑战性的任务,因为1)图结构电路的复杂性和异构性,2)攻击者进行反混淆的未知和复杂机制。为了解决上述挑战,本工作提出了第一个基于图深度学习技术预测反混淆运行时的机器学习框架。具体来说,我们设计了一个新的模型,ICNet,带有新的输入和卷积层,用于表征和提取IC的图形频率,然后通过异构的深层连接层进行集成,以获得最终输出。 ICNet是一个端到端的框架,可以自动提取反混淆时间的决定性特征。广泛的实验证明了它的有效性和效率。
translated by 谷歌翻译
子采样牛顿方法通过二次采样技术逼近Hessian矩阵,减少了形成Hessian矩阵的成本,但使用了足够的曲率信息。然而,之前的结果需要$ \ Omega(d)$样本来近似Hessians,其中$ d $是数据点的维度,使得它对于高维数据实际上不太可行。当$ d $与数据点$ n $的数量相当时,情况会恶化,这需要考虑整个数据集,使得采样无用。本文从理论上证明了下采样Newton方法对高维数据的有效性。具体来说,我们证明在Hessian矩阵的近似中只需要$ \ widetilde {\ Theta}(d ^ \ gamma _ {\ rm eff})$ samples,其中$ d ^ \ gamma _ {\ rm eff} $是$ \ gamma只要$ n \ gamma \ gg 1 $,$ -ridge杠杆比$ d $小得多。此外,我们扩展了这个结果,以便子采样牛顿方法可以处理分布式优化问题和非平滑正则化问题的高维数据。
translated by 谷歌翻译
呼吸系统疾病折磨着各种各样的人,并通过哮喘和睡眠呼吸暂停等疾病表现出来。由于监测系统的大尺寸和成本,在重症监护病房外很少使用慢性呼吸系统疾病的持续监测。虽然基于心电图(ECG)的呼吸提取是一种经过验证的方法,但通过访问合适的连续ECG监测器来限制其采用。最近,由于采用内置光电容积描记图(PPG)传感器的可穿戴智能手表的广泛采用,它被认为是连续和不引人注意的呼吸监测的可行候选者。然而,该领域的研究主要集中于估算PPG的呼吸率。在这项工作中,提出了称为RespNet的新型端到端深度学习网络来执行从给定输入PPG中提取呼吸信号的任务,而不是提取呼吸率。所提出的网络在两个不同的数据集上进行训练和测试,使用不同的参考呼吸信号记录模式。此外,研究了所提出的网络的相似性和性能,两种传统的信号处理方法用于提取呼吸信号。所提出的方法在两个独立的数据集上进行了测试,均方误差为0.262和0.145。发现各个数据集的交叉相关系数为0.933和0.931。报告的错误和相似性被发现优于传统方法。所提出的方法将帮助临床医生提供对睡眠相关呼吸状况和慢性呼吸疾病的综合评估,同时对患者舒适且便宜。
translated by 谷歌翻译
提出了一种人工神经网络结构,参数化网络,用于模拟动态系统中观测数据之外的外推动力学。参数化网络用于确保外推动态的长期完整性,同时仔细调整模型超参数以防止验证错误控制过度拟合。在逻辑映射上演示了参数化网络,其中可以从具有良好保真度的非混沌时间序列推断出与基础模型一致的混沌和其他非线性现象。由于神经网络仅在二次回归映射之间进行插值,因此所述结果比它们看起来要少得多。尽管如此,结果还是认为成功推断出质的不同行为需要学习在抽象层次上发生,其中相应的行为本质上更相似。
translated by 谷歌翻译
最近,深度学习领域受到了科学界的高度重视,并被用来为许多计算机视觉问题提供改进的解决方案。卷积神经网络(CNN)已经成功地用于攻击诸如对象识别,对象检测,语义分割和场景理解之类的问题。深度学习的快速发展与GPU加速其过程(如网络培训和推理)的适应性密切相关。尽管在使用GPU加速计算之前很久就存在FPGA设计,尽管高级综合(HLS)工具越来越有吸引力,但由于硬件设计相关性要求,FPGA对深度学习研究和应用开发的适应性很差。这项工作为使用HLS工具在小型低成本低功耗FPGA器件上深度学习移动应用加速提供了工作流程。此工作流程简化了SqueezeJet加速器的改进版本的设计,用于加速移动友好的低参数ImageNet类CNN,例如SqueezeNet v1.1和ZynqNet。此外,该工作流程还包括开发HLS驱动的分析模型,该模型用于加速器的性能评估。该模型还可用于指导设计过程并导致未来的设计改进和优化。
translated by 谷歌翻译