胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
最近,综合学习的进展提出了合成图像的训练模型,可以有效地降低人力和物质资源的成本。然而,由于与真实图像相比合成图像的不同分布,所期望的性能仍然不能实现。真实图像由多种形式的光取向组成,而合成图像由均匀的光取向组成。这些特征分别被认为是室外和室内场景的特征。解决这个问题,前一种方法学会了一种模型来改善合成图像的真实感。与以往的方法不同,本文采用净化真实图像的第一步。通过风格转移任务,将室外真实图像的分布转换为室内合成图像,从而减少光的影响。因此,本文提出了一种区域时间风格转移网络,其保留了输入图像(真实图像)的图像内容信息(例如,注视方向,瞳孔中心位置),同时推断了风格图像的风格信息(例如,图像颜色结构,语义特征)。合成图像)。此外,网络加速了模型的收敛速度,并适应多尺度图像。使用混合研究(定性和定量)方法进行实验,以证明在复杂方向上纯化真实图像的可能性。定性地,将所提出的方法与LPW数据集的一系列室内和室外场景中的可用方法进行比较。在定量计中,它通过在交叉数据集上训练凝视估计模型来评估纯化图像。结果显示,与原始实际图像相比,基线方法有显着改进。
translated by 谷歌翻译
有效的时空特征表示对于基于视频的动作识别任务至关重要。着眼于区分时空特征学习,我们提出了信息融合时间转换网络(IF-TTN),用于在流行的时间段网络(TSN)框架之上进行动作识别。在网络中,信息融合模块(IFM)旨在为每个视频片段提供多个ConvNet级别的外观和动作功能,从而形成短期视频描述符。利用融合特征作为输入,时间变换网络(TTN)用于模拟遵循顺序排序的相邻片段之间的中期时间变换。由于TSN本身通过分段共识来描述长期时间结构,因此所提出的网络综合考虑了多个粒度时间特征。我们的IF-TTN在两个最流行的动作识别数据集上实现了最先进的结果:UCF101和HMDB51。经验研究表明,我们的架构对输入运动图质量具有鲁棒性。利用来自压缩视频流的运动矢量放置光流,其性能仍然可与基于流量的方法相媲美,而测试速度则快10倍。
translated by 谷歌翻译
最近,深度卷积神经网络在图像美学评估任务上取得了巨大成功。在本文中,我们提出了一种有效的方法,它利用图像的全局,局部和场景感知信息进行整合,并利用从相应的预训深度学习模型中提取的复合特征,用支持向量机对导出的特征进行分类。与需要微调从头开始训练新模型的流行方法相反,我们的无训练方法直接采用现成模型生成的深度特征进行图像分类和识别。此外,我们从两个方面分析了可能影响性能的因素:深度神经网络的体系结构以及局部和场景感知信息的贡献。事实证明,深度网络可以产生更多美学意识的图像表示,复合特征导致整体性能的提高。实验共同的大规模美学评估基准表明,我们的方法在光学美学评估方面优于最先进的结果。
translated by 谷歌翻译
本技术报告记录了计算智能游戏(CIG)2018年Hanabi比赛的获胜者。我们介绍了重新确定IS-MCTS,信息集蒙特卡罗树搜索(IS-MCTS)\ cite {IS-MCTS}的新扩展,它可以防止隐藏信息泄漏到IS-MCTS中可能发生的对手模型中,特别是在Hanabi中重新确定IS-MCTS得分在Hanabi中的分数高于2-4名参与者,而不是之前发表的作品。考虑到每次移动40ms的竞争时间限制,我们使用学习的评估函数来估计叶节点值并避免在MCTS期间的完全模拟。对于混合赛道比赛,其中其他球员的身份未知,使用简单的贝叶斯对手模型,该模型随着每场比赛的进行而更新。
translated by 谷歌翻译
深度学习是图像分类大幅改进的基础。为了提高预测的稳健性,贝叶斯近似已被用于学习深度神经网络中的参数。我们采用另一种方法,通过使用高斯过程作为贝叶斯深度学习模型的构建模块,由于卷积和深层结构的推断,这种模型最近变得可行。我们研究了深度卷积高斯过程,并确定了一个保持逆流性能的问题。为了解决这个问题,我们引入了一个转换敏感卷积内核,它消除了对相同补丁输入的要求相同输出的限制。我们凭经验证明,这种卷积核可以改善浅层和深层模型的性能。在ONMNIST,FASHION-MNIST和CIFAR-10上,我们在准确性方面改进了以前的GP模型,增加了更简单的DNN模型的校准预测概率。
translated by 谷歌翻译
今天的机器人系统越来越多地转向计算上昂贵的模型,例如深度神经网络(DNN),用于定位,感知,计划和对象检测等任务。然而,资源受限的机器人,如低功率无人机,通常没有足够的机载计算资源或功率储备来可扩展地运行最准确的,最先进的网络计算模型。云机器人技术允许移动机器人将计算机卸载到集中式服务器,如果它们在本地不确定或想要运行更准确的计算密集型模型。然而,云机器人成为一个关键的,通常低估的成本:与云过度拥塞的无线网络通信可能导致延迟或数据丢失。实际上,通过拥塞网络从多个机器人发送高数据速率视频或LIDAR会导致实时应用程序的延迟过高,我们会通过实验测量。在本文中,我们制定了一个新的机器人卸载问题---机器人如何以及何时卸载传感任务,特别是如果它们不确定,在提高准确性的同时最大限度地降低云通信的成本?我们将卸载制定为机器人的顺序决策问题,并提出使用深度强化学习的解决方案。在使用最先进的视觉DNN的模拟和硬件实验中,我们的卸载策略将视觉任务性能提高了1.3-2.6倍的基准标记卸载策略,使机器人有可能显着超越其板载传感精度,但云通信成本有限。
translated by 谷歌翻译
拓扑信息对于研究网络中节点之间的关系至关重要。最近,网络表示学习(NRL)将网络投射到低维向量空间,在分析大规模网络方面已经显示出优势。但是,大多数现有的NRL方法旨在保留网络的本地拓扑结构,但它们无法捕获全局拓扑结构。为了解决这个问题,我们提出了一种名为HSRL的新NRL框架,以帮助现有的NRL方法捕获网络的本地和全球拓扑信息。具体而言,HSRL使用社区感知压缩策略递归地将输入网络压缩成一系列较小的网络。然后,使用现有的NRL方法来学习每个压缩网络的节点嵌入。最后,通过连接来自所有压缩网络的节点嵌入来获得输入网络的节点嵌入。对五个真实世界数据集进行链接预测的实证研究证明了HSRL超现有技术方法的优势。
translated by 谷歌翻译
The AlphaGo, AlphaGo Zero, and AlphaZero series of algorithms are a remarkable demonstration of deep reinforcement learning's capabilities , achieving superhuman performance in the complex game of Go with progressively increasing autonomy. However, many obstacles remain in the understanding of and usability of these promising approaches by the research community. Toward elucidating unresolved mysteries and facilitating future research, we propose ELF OpenGo, an open-source reimplementation of the AlphaZero algorithm. ELF OpenGo is the first open-source Go AI to convincingly demonstrate superhuman performance with a perfect (20:0) record against global top professionals. We apply ELF OpenGo to conduct extensive ablation studies, and to identify and analyze numerous interesting phenomena in both the model training and in the gameplay inference procedures. Our code, models, selfplay datasets, and auxiliary data are publicly available. 1
translated by 谷歌翻译
年龄相关性黄斑变性(AMD)是一种无症状的视网膜疾病,可能导致视力丧失。获得高质量的相关视网膜图像的机会有限,并且对定义该疾病的子类的特征缺乏了解。在机器学习的最新进展的推动下,我们使用生成对抗网络(GAN)和风格转移专门探索生成建模的潜力,通过特征提取促进临床诊断和疾病理解。我们设计了分析管道,首先从临床图像中生成合成的视网膜图像;应用后续验证步骤。在合成步骤中,我们将GAN(DCGAN和WGAN架构)和样式转移用于图像生成,而验证的步骤控制生成图像的准确性。我们发现生成的图像包含足够的病理学细节,以促进眼科医生的疾病分类任务和疾病相关特征的发现。特别地,我们的系统预测AMD的玻璃疣和地理萎缩子类。此外,使用CAN图像用于GAN的性能优于仅使用原始临床数据集的分类。我们的结果使用现有的视网膜疾病分类器和类激活图进行评估,支持合成图像的预测能力及其用于特征提取的效用。我们的代码示例可在线获取。
translated by 谷歌翻译