心脏磁共振（CMR）图像的多类分割，将数据分离为具有已知结构和构型的解剖组分。最流行的基于CNN的方法是使用像素明智的损失函数优化的，对表征解剖结构的空间扩展特征一无所知。因此，尽管与地面真理共享高空间重叠，但推断的基于CNN的分割可能缺乏连贯性，包括伪造的连接组件，孔和空隙。这样的结果令人难以置信，违反了预期的解剖拓扑。作为响应，已经提出了基于持续的同源性损失功能（单级）以捕获全局解剖特征。我们的工作将这些方法扩展到多级分割任务。我们的损失功能构建了所有类标签和类标签对的丰富拓扑描述，我们使用基于CNN的后处理框架可以预测和统计学上的分割拓扑改进。我们还基于立方复合物和并行执行，提出（并提供）高效的实现，这是第一次在高分辨率3D数据中实现实际应用。我们证明了我们在2D短轴和3D全心CMR细分方面的方法，对两个公开可用数据集的性能进行了详细而忠实的分析。
translated by 谷歌翻译
我们提出了Sauron，这是一种过滤器修剪方法，它通过使用自动调整的层特异性阈值丢弃相应的过滤器来消除冗余特征图。此外，Sauron最大程度地减少了一个正规化术语，正如我们所显示的各种指标所显示的那样，促进了特征地图簇的形成。与大多数过滤器修剪方法相反，Sauron是单相，类似于典型的神经网络优化，需要更少的超参数和设计决策。此外，与其他基于群集的方法不同，我们的方法不需要预选簇的数量，而簇的数量是非平凡的，以确定和随着层的变化。我们在三个医学图像分割任务上评估了Sauron和三种最先进的过滤器修剪方法。在这个领域，过滤器修剪很少受到关注，并且可以帮助建立有效的医疗级计算机模型，这些计算机由于隐私考虑而无法使用云服务。索伦（Sauron）比竞争的修剪方法实现了具有更高性能和修剪率的模型。此外，由于Sauron在训练过程中除去过滤器，因此随着时间的推移，其优化加速了。最后，我们证明了Sauron-Prun的模型的特征地图是高度可解释的。 Sauron代码可在https://github.com/jmlipman/sauronunet上公开获得。
translated by 谷歌翻译
尽管机器学习的其他领域越来越多地自动化，但设计高性能的推荐系统仍然需要高水平的人力努力。此外，最近的工作表明，现代推荐系统算法并不总是比调整良好的基线改进。一个自然的后续问题是：“我们如何为新数据集和性能指标选择正确的算法？”在这项工作中，我们首先要通过比较85个数据集和315个指标的18算法和100组超参数的大规模研究。我们发现，最好的算法和超参数高度依赖于数据集和性能指标，但是，每种算法的性能与数据集的各种元元功能之间也存在很强的相关性。在这些发现的激励下，我们创建了Reczilla，这是一种推荐系统的元学习方法，该方法使用模型来预测新的，看不见的数据集的最佳算法和超参数。通过使用比先前的工作更多的元培训数据，Reczilla可以大大降低面对新推荐系统应用时人类参与水平。我们不仅发布了我们的代码和预处理的Reczilla模型，而且还发布了所有原始的实验结果，因此从业者可以为其所需的性能指标训练Reczilla模型：https：//github.com/naszilla/reczilla。
translated by 谷歌翻译
2022-03-22
我们提出了一种自我监督的方法，用于预测需要良好牵引力才能导航的轮式移动机器人的可穿越路径。我们的算法称为Wayfast（无路线自动驾驶系统用于遍历性），使用RGB和深度数据以及导航经验，自主在室外非结构化环境中自主生成可遍历的路径。我们的主要灵感是，可以使用动力动力学模型估算滚动机器人的牵引力。使用在线退化的视野估计器提供的牵引力估计值，我们能够以自我监督的方式训练遍历性预测神经网络，而无需以前的方法使用的启发式方法。我们通过在各种环境中进行广泛的现场测试来证明Wayfast的有效性，从沙滩到森林檐篷和积雪覆盖的草田不等。我们的结果清楚地表明，Wayfast可以学会避免几何障碍物以及不可传输的地形，例如雪，这很难避免使用仅提供几何数据（例如LiDAR）的传感器。此外，我们表明，基于在线牵引力估计的培训管道比其他基于启发式的方法更有效率。
translated by 谷歌翻译
深度学习（DL）模型为各种医学成像基准挑战提供了最先进的性能，包括脑肿瘤细分（BRATS）挑战。然而，局灶性病理多隔室分割（例如，肿瘤和病变子区）的任务特别具有挑战性，并且潜在的错误阻碍DL模型转化为临床工作流程。量化不确定形式的DL模型预测的可靠性，可以实现最不确定的地区的临床审查，从而建立信任并铺平临床翻译。最近，已经引入了许多不确定性估计方法，用于DL医学图像分割任务。开发指标评估和比较不确定性措施的表现将有助于最终用户制定更明智的决策。在本研究中，我们探索并评估在Brats 2019-2020任务期间开发的公制，以对不确定量化量化（Qu-Brats），并旨在评估和排列脑肿瘤多隔室分割的不确定性估计。该公制（1）奖励不确定性估计，对正确断言产生高置信度，以及在不正确的断言处分配低置信水平的估计数，（2）惩罚导致更高百分比的无关正确断言百分比的不确定性措施。我们进一步基准测试由14个独立参与的Qu-Brats 2020的分割不确定性，所有这些都参与了主要的Brats细分任务。总体而言，我们的研究结果证实了不确定性估计提供了分割算法的重要性和互补价值，因此突出了医学图像分析中不确定性量化的需求。我们的评估代码在HTTPS://github.com/ragmeh11/qu-brats公开提供。
translated by 谷歌翻译