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
内窥镜伪影是促进中空器官疾病的诊断和治疗的核心挑战。精确检测特定伪像,如像素饱和度,运动模糊,镜面反射,气泡和碎片,对于高质量的帧恢复至关重要,对于实现可靠的计算机辅助工具以改善患者护理至关重要。目前,由于视频帧中存在大量的多类伪像,目前大多数内窥镜检查视频尚未进行分析。通过内窥镜伪影检测(EAD 2019)的挑战,我们通过解决内窥镜框架伪影的准确识别和定位来解决这一关键瓶颈问题,从而能够对不可用的视频帧进行进一步的关键定量分析,例如镶嵌和3D重建,这对于提供改善的患者护理至关重要。本文总结了挑战任务,并描述了在EAD 2019挑战中建立的数据集和评估标准。
translated by 谷歌翻译
生成性对抗网络(GAN)是一类强大的生成模型。尽管取得了成功,但仍然没有很好地理解GAN网络体系结构的最合适选择。用于图像合成的GAN模型采用了深度卷积网络架构,它消除或最小化完全连接和汇集层的使用,有利于GAN的生成器和鉴别器中的卷积层。在本文中,我们证明利用深度完全连接层和池化层的卷积网络架构比传统的仅卷积架构更有效,我们提出FCC-GAN,一种完全连接和卷积的GAN架构。基于我们的FCC-GAN架构的模型比传统架构学得更快,并且还可以生成更高质量的样本。我们展示了我们的四个流行图像数据集的有效性和稳定性。
translated by 谷歌翻译
生成对抗网络(GAN)是一种优雅的数据交换机制。但是,使用GAN时的一个关键挑战是如何最好地衡量他们生成实际数据的能力。在本文中,我们证明了由GAN模型学习的数据空间的内在维度表征导致了GAN质量的有效评估度量。特别是,我们提出了一种新的评估指标CrossLID,它评估了真实世界数据的局部内维度(LID)与在GAN生成的样本中发现的邻域。直观地,CrossLID测量两个数据分布的流形彼此重合的程度。在4个基准图像数据集的实验中,我们将我们提出的度量与几个最先进的评估指标进行比较。我们的实验表明,CrossLID与GAN训练的进展密切相关,对模式塌陷敏感,对小规模噪声和图像变换具有鲁棒性,并且对样本大小具有鲁棒性。此外,我们还展示了如何在GANtraining流程中使用CrossLID来提高发电质量。
translated by 谷歌翻译
内窥镜检查是一种常规成像技术,用于诊断和微创手术治疗。诸如运动模糊,气泡,镜面反射,浮动物体和像素饱和等伪像妨碍了内窥镜视频的视觉解释和自动分析。鉴于内窥镜在不同临床应用中的广泛应用,我们认为这种伪影的稳健可靠识别和损坏的视频帧的自动恢复是一个基本的医学成像问题。现有的最先进的方法只涉及检测和恢复选定的文物。然而,通常内窥镜视频包含许多工件,这些工件促使建立全面的解决方案。我们提出了一个全自动框架,它可以:1)检测和分类六个不同的主要工件,2)为每个帧提供质量分数,3)恢复轻度损坏的帧。为了检测不同的伪像,我们的框架开发了快速多尺度,单级卷积神经网络检测器。我们引入质量度量来评估帧质量并预测图像恢复成功。具有精心选择的规则化的生成对抗网络最终用于恢复损坏的帧。我们的探测器产生的最高平均精度(mAP在5%阈值)为49.0,最低计算时间为88 ms,可实现精确的实时处理。我们用于盲目去模糊,饱和度校正和修复的修复模型比以前的方法显示出显着的改进。在一组10个测试视频中,我们显示我们的方法保留了68.7%的平均值,这比原始视频保留的帧多25%。
translated by 谷歌翻译
深度神经网络(DNN)以其对adversarialexamples的易受攻击性而闻名。这些都是经过精心设计的小型手册,可以轻易地将DNN误认为是错误分类。到目前为止,对抗性研究的领域主要集中在图像模型上,在白盒设置下,对手可以完全获得模型参数,或者黑盒设置,其中对手只能查询目标模型的概率或标签。虽然已经为视频模型提出了几个白盒攻击,但黑盒视频攻击仍然是不可探索的。为了弥补这一差距,我们提出了第一个黑盒视频攻击框架,称为V-BAD。 V-BAD是基于自然进化策略(NES)的对抗性梯度估计和校正的一般框架。特别地,V-BAD利用从图像模型传递的\ textit {暂定扰动}和由NES oncursition(补丁)发现的临时扰动发现的\ textit {基于分区的校正},以获得对目标模型的较少查询的良好的对抗梯度估计。 V-BAD相当于估计对抗梯度在所选子空间上的投影。使用三个基准视频数据集,我们证明V-BAD可以制作有针对性和有针对性的攻击来欺骗两个最先进的深度视频识别模型。对于目标攻击,它仅使用平均$ 3.4 \ sim 8.4 \次10 ^ 4 $查询达到$> $ 93 \%的成功率,对最先进的黑盒图像攻击的查询次数相似。尽管视频通常比静态图像具有高两个数量级的维度。我们相信V-BAD是一种很有前途的新工具,用于评估和改进视频识别模型对黑盒逆向攻击的鲁棒性。
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
我们提出了一种新方法,将拓扑学知识明确地纳入基于深度学习的分割中,据我们所知,这是第一个这样做的工作。我们的方法使用持久同源的概念,来自拓扑数据分析的atool,以一种方式捕获分割结果的高级拓扑特征,该方式可以与分配给给定类的像素概率相区别。拓扑先验知识由分割的期望Betti数的序列组成。作为概念验证,我们通过将其应用于来自UK Biobank数据集的500名受试者的心脏MR图像的左心室分割问题来证明我们的方法,其中我们显示其在拓扑正确性方面改善了分割性能而没有影响像素精度。
translated by 谷歌翻译
磁共振指纹(MRF)是一种定量磁共振成像的新方法,可以在单次,时间有效的采集中同时测量多个组织特性。标准MRF使用字典匹配来构造参数化地图,并且由于计算效率低而缺乏可扩展性。我们建议使用递归神经网络进行MRF图重建,该网络利用MRF信号演化的时间依赖性信息。我们评估了多参数合成信号的方法,并将其与现有的MRF图重建方法进行了比较,包括基于神经网络的方法。我们的方法实现了T1和T2值的最新技术评估。此外,与基于字典匹配的方法相比,重建时间显着减少。
translated by 谷歌翻译
因果推理,效果归因于原因,是人类拥有的最强大和独特的技能之一。多项调查正在将因果归因视为网络,但目前尚不清楚这些努力能够如何合并。此外,人类持有的集体causalattribution网络的总规模目前尚不清楚,因此评估这些调查的进展具有挑战性。在这里,我们研究了三个因果归因网络,以确定它们如何组合成一个单独的网络。组合这些网络需要处理模糊的节点,因为节点表示原因和结果的书面描述,并且对于相同的概念可能存在不同的描述。我们介绍了NetFUSES,一种将网络与模糊节点相结合的方法。至关重要的是,将不同的causalattributions网络视为独立样本允许我们使用它们的重叠来估计集体因果归因网络的总大小。我们发现,现有的调查可以获得5.77%$ \ pm $ 0.781%的$ \ $ 293 000估计存在的原因和影响,0.198%$ \ pm $ 0.174%的$ \约10万200,000归因因果关系。
translated by 谷歌翻译