MRI扫描时间减少通常通过并行成像方法实现，通常基于逆图像空间（A.K.A.K空间）的均匀下采样和具有多个接收器线圈的同时信号接收。 Grappa方法通过跨越所有线圈的相邻获取信号的线性组合来插入缺失的k空间信号，并且可以通过k空间中的卷积来描述。最近，介绍了一种称为RAKI的更广泛的方法。 Raki是一种深入学习方法，将Grappa推广到附加的卷积层，在此期间应用非线性激活功能。这使得卷积神经网络能够实现缺失信号的非线性估计。与Grappa类似，Raki中的卷积核心使用从自动校准信号（ACS）获得的特定训练样本进行培训。 Raki与Grappa相比提供了卓越的重建质量，然而，由于其未知参数的数量增加，通常需要更多的AC。为了克服这一限制，本研究调查了训练数据对标准2D成像重建质量的影响，特别关注其金额和对比信息。此外，评估迭代k空间插值方法（araki），包括通过初始的格拉普重建训练数据增强，并通过迭代培训改进卷积滤波器。仅使用18,20和25个ACS线（8％），通过抑制在加速度因子R = 4和r = 5时发生的残余人工制品，并且与Grappa相比，通过定量质量指标加下划线，产生强烈的噪声抑制。与相约束的组合进一步改善。此外，在预扫描校准的情况下，伊拉克基显示比GRAPPA和RAKI更好的性能，并且在训练和缺乏采样的数据之间强烈不同的对比度。
translated by 谷歌翻译
Deep learning-based 3D human pose estimation performs best when trained on large amounts of labeled data, making combined learning from many datasets an important research direction. One obstacle to this endeavor are the different skeleton formats provided by different datasets, i.e., they do not label the same set of anatomical landmarks. There is little prior research on how to best supervise one model with such discrepant labels. We show that simply using separate output heads for different skeletons results in inconsistent depth estimates and insufficient information sharing across skeletons. As a remedy, we propose a novel affine-combining autoencoder (ACAE) method to perform dimensionality reduction on the number of landmarks. The discovered latent 3D points capture the redundancy among skeletons, enabling enhanced information sharing when used for consistency regularization. Our approach scales to an extreme multi-dataset regime, where we use 28 3D human pose datasets to supervise one model, which outperforms prior work on a range of benchmarks, including the challenging 3D Poses in the Wild (3DPW) dataset. Our code and models are available for research purposes.
translated by 谷歌翻译
农场动物成像的各种应用基于某些身体部位的重量和从动物的CT图像切割的估计。在许多情况下，由于扫描非镇静的活动物，通过CT图像中的姿势的巨大变化来增加问题的复杂性。在本文中，我们提出了一种估计来自（可能）活体动物的CT图像的切割和身体部位的重量的一般和鲁棒方法。我们通过弹性登记和联合功能和用于斗篷的回归分量的模型选择，适应基于多标准的分段以及具有大量特征和较少量的样本。通过兔育种程序中的真实应用来评估和说明所提出的技术，显示R ^ 2比以前的技术和方法高于以前的技术和方法。所提出的技术很容易适应类似的问题，因此，它在开源软件包中共享，以便为社区的利益。
translated by 谷歌翻译
被证明是深度学习是一种用于建模顺序数据的有效工具，如自然语言，计算机视觉和信号处理的成功所示。过程挖掘涉及通过支持信息系统记录的执行数据来发现对业务流程的见解。记录数据（事件日志）由对应于过程的执行的事件序列（迹线）形成。许多深度学习技术已成功适用于预测过程挖掘，其旨在预测过程结果，剩余时间，下一个事件，甚至运行迹线的后缀。过程挖掘中的迹线是多模式序列，而不是自然语言句子或图像的结构非常不同。这可能需要不同的处理方法。到目前为止，几乎没有焦点这些差异，呈现挑战。看起来后缀预测作为这些任务的最具挑战性，只有在平均措施和少量现实生活事件日志中评估了深度学习模型的性能。由于不同的预处理和评估策略，比较纸张之间的结果是困难的。可能是相关的挑战是微量痕量分布的歪曲和现实事件日志中的活动分布的歪曲。我们提供了端到端的框架，可以在公共设置中比较七种最先进的顺序体系结构的性能。结果表明，序列建模仍然有大量改善大多数更复杂的数据集的空间。需要进一步的研究和见解，以获得一致的性能，不仅仅是平均措施，而且还在所有的前缀上。
translated by 谷歌翻译