在新兴的纳米物联网(IoNT)中,信息将通过复杂和扩散的媒体以分子的形式嵌入和传播。一个主要的挑战在于信道响应的长尾性质导致符号间干扰(ISI),这会降低检测性能。如果信道未知,我们不能轻易实现传统的相干信道估计和消除,并且ISI的影响将是在本文中,我们开发了一种用于分子信号盲检测的新型高维非相干方案。我们通过组合利用信号的瞬态特征的不同非相干度量,在更高维度的空间中实现这一点。通过推导任何构造的高维非相干度量的理论误码率(BER),我们证明了更高的维数总是在相同的样本空间中实现更低的BER。然后,我们设计了一个利用了Thearzen的广义盲检测算法。近似及其概率神经网络(Parzen-PNN)检测信息比特。利用其快速收敛和并行实现的优点,我们提出的方案可以满足检测精度和实时计算的需要。数值模拟表明,与其他最先进的方法相比,我们提出的方案可以获得10dB的BER。
translated by 谷歌翻译
稀疏盲源分离(稀疏BSS)是分析从医学成像到天体物理学等领域的多通道数据的关键方法。然而,由于它依赖于寻求非凸处罚矩阵分解问题的解决方案,其性能在很大程度上取决于优化策略。在这种情况下,近端交替线性化最小化(PALM)已经成为一种标准算法,尽管它具有理论基础,但通常提供差的实际分离结果。在这项工作中,我们提出了一种将启发式方法与PALM结合起来的新策略。我们展示了它与现实天体物理数据的相关性。
translated by 谷歌翻译
我们在声学推理领域介绍了声学问答(AQA)的任务。在这项任务中,经纪人学会回答关于声学语境的问题。为了促进该领域的研究,我们提出了一种改编自CLEVR的数据生成范例(Johnson et al.2017)。通过利用银行基本声音来生成声学场景。我们还提供了许多功能程序,可用于组合问题和答案,利用每个场景中的基本声音属性之间的关系。我们提供各种大小的AQA数据集以及数据生成代码。作为验证我们的数据的初步实验,我们报告了当前状态的视觉问题转换模型在没有修改的情况下应用于AQA任务的准确性。尽管基于文本,图像或视频数据,有大量问题回答任务,据我们所知,我们是第一个直接在音频流上提出回答问题的人。我们希望这一贡献将有助于该领域的研究发展。
translated by 谷歌翻译
随着联网车辆(CV)技术的发展,可以通过使用车辆之间的通信以及交通路边基础设施(例如,交通信号)和交通管理中心共享基本安全消息(BSM)来捕获道路交通的时间变化。然而,在未来的连接车辆的渗透将是有限的。来自有限CV的BSM可以提供对当前速度或空间进度的不准确估计。估计的当前平均速度和平均空间车头时距数据的这种不准确性被称为噪声。交通数据中的这种噪声显着降低了机器学习模型的预测精度,例如长期短期记忆(LSTM)模型在预测交通状况时的准确性。为了提高CV渗透率的实时预测精度,我们开发了一种交通数据预测模型,它将LSTM与降噪模型(基于Rauch Tung Striebel(RTS)的标准Kalmanfilter或Kalman滤波器)相结合。本研究中使用的平均速度和空间进度是从增强型下一代模拟(NGSIM)数据集生成的,该数据集包含每十分之一秒的车辆轨迹数据。与没有任何噪声减少的基线LSTM模型相比,CV的渗透率为5%,分析表明,组合LSTM \ RTS模型将速度预测的平均绝对百分误差(MAPE)从19%降低到5%,空间从27%降低到9%进展预测。与基线模型相比,MAPE值的整体降低范围从1%到14%(速度)和2%到18%的空间车头时距预测。
translated by 谷歌翻译
古老的思想/身体问题仍然是科学和人类精神最深奥的问题之一。尽管在许多领域取得了重大进展,但主观经验(qualia)与其在体内的实现之间仍然没有合理的联系。本文概述了一些严谨意识(SoM)的一些要素 - 关键思想包括心灵的科学现实主义,不可知的神经主义,对语言的细心关注,以及对具体(试金石)问题和结果的关注。
translated by 谷歌翻译
我们提出了一种新的监督学习方法,特别适用于宽数据,其中特征的数量远远大于观察的数量。该方法将套索($ \ ell_1 $)稀疏性惩罚与水中惩罚相结合,将系数向量缩小到特征矩阵的主要主成分。我们将提出的方法称为“主要组件套索”(“pcLasso”)。如果将特征预先分配给组(例如细胞途径,测定或蛋白质相互作用网络),则该方法可以特别有效。在这种情况下,pcLasso将解决方案的每个group-wise组件缩小到该组的主要主要组件。在此过程中,它还会执行功能组的选择。我们为这种方法提供了一些理论,并在许多模拟和实际数据示例中进行了说明。
translated by 谷歌翻译
We introduce a general self-supervised approach to predict the future outputs of a short-range sensor (such as a proximity sensor) given the current outputs of a long-range sensor (such as a camera); we assume that the former is directly related to some piece of information to be perceived (such as the presence of an obstacle in a given position), whereas the latter is information-rich but hard to interpret directly. We instantiate and implement the approach on a small mobile robot to detect obstacles at various distances using the video stream of the robot's forward-pointing camera, by training a convolutional neural network on automatically-acquired datasets. We quantitatively evaluate the quality of the predictions on unseen scenarios, qualitatively evaluate robustness to different operating conditions, and demonstrate usage as the sole input of an obstacle-avoidance controller. We additionally instantiate the approach on a different simulated scenario with complementary characteristics, to exemplify the generality of our contribution.
translated by 谷歌翻译
去除计算机断层扫描(CT)数据中的噪声以进行实时3D可视化对于提高最终显示的质量至关重要。然而,由于噪声具有与有趣的信号频率重叠的海外频带空间频率,因此不能通过直线平均来消除CT噪声。为了改善数据中包含的结构和特征的显示,我们提出了空间变量滤波,其对中心区域周围的子区域进行平均。我们将我们的滤波器与其他四个关于熵和处理时间的相似空间变量滤波器进行比较。结果表明,处理时间仍然在毫秒范围内,视觉质量得到显着改善。
translated by 谷歌翻译
膀胱壁和肿瘤区域的精确分割是肿瘤分期和分级的非侵入性识别,这对于膀胱癌(BC)患者的治疗决策和预后至关重要。但是,磁共振中膀胱壁和肿瘤的自动描绘。图像(MRI)是一项具有挑战性的任务,由于重要的膀胱形状变化,尿液中强烈的不均匀性以及非常高的人口变异性,尤其是肿瘤外观。为了解决这些问题,我们建议使用深度完全卷积神经网络。建议的网络包括扩张的卷积,以增加感受野,而不会产生额外的成本,也不会降低其性能。此外,我们在每个卷积块中引入渐进扩张,从而在不需要大的扩张率的情况下实现广泛的接收场。所提出的网络评估来自60名经病理证实的BC患者的3.0T T2加权MRI扫描。实验表明,该模型实现了较高的精度,内壁,外壁和肿瘤区域的平均Dice相似系数分别为0.98,0.84和0.69。与现有方法相比,这些结果与参考轮廓和性能的提高非常吻合。此外,对于整个3D体积,推断时间小于一秒,这比该应用的相关现有技术方法快2-3个数量级。我们发现CNN可以在MRI上准确分割膀胱壁和肿瘤的膀胱癌患者。整个分割过程是自动进行的,产生的结果与参考标准非常吻合,证明了深度学习模型对于膀胱癌MRI图像的自动多区域分割的可行性。
translated by 谷歌翻译
我们提出了一种用于实例级图像检索的新方法。它通过聚合多个区域描述符,为每个图像生成全局和紧凑的固定长度表示。与先前使用预先训练的深度网络作为黑盒子来产生特征的作品相比,我们的方法包含了针对图像检索的特定任务而训练的深层体系结构。我们的贡献是双重的:(i)我们利用排名框架来学习卷积和投影权重用于构建区域特征的;以及(ii)我们使用区域提议网络来了解哪些区域应该被组合以形成最终的全局描述符。我们表明,使用干净的trainingdata是我们方法成功的关键。为此,我们使用大规模但嘈杂的地标数据集并开发自动清洁方法。所提出的体系结构在单向传递中产生全局图像表示。我们的方法明显优于基于标准数据集的全局描述符的先前方法。它甚至超过了大多数先前基于昂贵的本地描述符索引和空间验证的工作。其他材料可在www.xrce.xerox.com/Deep-Image-Retrieval上找到。
translated by 谷歌翻译