基于点云的3D建模需要从非接地物体分开地面的地面过滤算法。本研究提出了两个地面过滤算法。第一个基于正常载体。它有两个变体，具体取决于计算K-Collect邻居的过程。第二算法基于将云点转换为体素结构。为了评估它们，根据其执行时间，有效性和效率进行比较这两种算法。结果表明，基于体素结构的地面滤波算法在执行时间，有效性和效率方面比法线矢量接地滤波更快。
translated by 谷歌翻译
Machine Learning models capable of handling the large datasets collected in the financial world can often become black boxes expensive to run. The quantum computing paradigm suggests new optimization techniques, that combined with classical algorithms, may deliver competitive, faster and more interpretable models. In this work we propose a quantum-enhanced machine learning solution for the prediction of credit rating downgrades, also known as fallen-angels forecasting in the financial risk management field. We implement this solution on a neutral atom Quantum Processing Unit with up to 60 qubits on a real-life dataset. We report competitive performances against the state-of-the-art Random Forest benchmark whilst our model achieves better interpretability and comparable training times. We examine how to improve performance in the near-term validating our ideas with Tensor Networks-based numerical simulations.
translated by 谷歌翻译
知识图是一种表达性且广泛使用的数据结构，因为它们能够以明智和机器可读的方式整合来自不同域的数据。因此，它们可用于建模各种系统，例如分子和社交网络。但是，仍然是一个悬而未决的问题，如何在尖峰系统中实现符号推理，因此，如何将尖峰神经网络应用于此类图数据。在这里，我们通过证明如何使用尖峰神经元可以编码符号和多关系信息，从而扩展了基于SPIKE的图形算法的先前工作，从而允许对具有尖峰神经网络的知识图等符号结构进行推理。引入的框架是通过将嵌入范式组合到使用错误反向传播的训练尖峰神经网络的最新进展来启用的。提出的方法适用于各种尖峰神经元模型，可以与其他可区分的网络架构结合端对端训练，我们通过实现尖峰的关系图神经网络来证明这一点。
translated by 谷歌翻译
诸如“ uh”或“ um”之类的填充词是人们用来表示他们停下来思考的声音或词。从录音中查找和删除填充单词是媒体编辑中的一项常见和繁琐的任务。自动检测和分类填充单词可以极大地帮助这项任务，但是迄今为止，很少有关于此问题的研究。一个关键原因是缺少带有带注释的填充词的数据集用于模型培训和评估。在这项工作中，我们介绍了一个新颖的语音数据集，PodcastFillers，带有35K注释的填充单词和50k注释，这些声音通常会出现在播客中，例如呼吸，笑声和单词重复。我们提出了一条利用VAD和ASR来检测填充候选物和分类器以区分填充单词类型的管道。我们评估了有关播客填充器的拟议管道，与几个基线相比，并提供了一项详细的消融研究。特别是，我们评估了使用ASR的重要性以及它与类似于关键字发现的无转录方法的比较。我们表明，我们的管道获得了最新的结果，并且利用ASR强烈优于关键字斑点方法。我们公开播放播客，希望我们的工作是未来研究的基准。
translated by 谷歌翻译
医学图像分割的主要困难之一是这些图像的高可变性，这是由它们的起源（多中心），获取协议（多参数）以及人类解剖学的可变性引起的，以及人的严重程度疾病，年龄和性别的影响等。在这项工作中解决的问题是使用卷积神经网络的腰椎磁共振图像的自动语义分割。目的是为图像的每个像素分配类标签。课程由放射科学家定义，对应于不同的结构元素，如椎骨，椎间盘，神经，血管和其他组织。所提出的网络拓扑是U-Net架构的变体。几个互补块用于定义变体：三种类型的卷积块，空间注意模型，深度监督和多级特征提取器。本文档描述了拓扑，并分析了获得最准确的细分的神经网络设计的结果。其中一些建议的设计优于使用作为基线的标准U-Net，特别是当在与不同的策略组合的多个神经网络的输出中使用的集合时使用。
translated by 谷歌翻译