与以前的工作不同,这种开放式数据采集包括专为机器学习应用和高锥角人工制品减少而设计的X射线锥束(CB)计算机断层扫描(CT)数据集。用实验室X射线设置扫描42个核桃,不仅提供来自单个物体的数据,而且提供具有自然变化的一类物体的数据。对于每个核桃,获得了三个不同源轨道上的CB投影,提供了具有不同锥角的CB数据,并且能够从可以用于监督学习的组合数据中计算无物质,高质量的地面实况图像。我们提供完整的图像重建管道:原始投影数据,扫描几何描述,使用开放软件的预处理和重建脚本,以及构建的体积。因此,数据集不仅可以用于高角度伪影减少,还可以用于其他任务的算法开发和评估,例如从有限或稀疏角度(低剂量)扫描,超分辨率或分割的图像重建。
translated by 谷歌翻译
层析成像处理从一系列角度获取的投影中的物体重建。离散层析成像涉及由少量材料组成的对象,这使得可以从高度有限的投影数据计算准确的重建。对于重建中允许的强度值是先验已知的情况,离散代数重建技术(DART)已经证明可以从很少的投影中产生准确的重构。然而,一个关键的限制是DART的好处随着不同材料数量的增加而减少。许多成像成像技术可以在多个通道上同时记录断层摄影数据,每个通道对应于对象中的材料的不同加权。每当来自多个通道的投影数据可用时,该附加信息可能被构造算法利用。在本文中,我们提出了多通道DART(MC-DART),它有效地处理多通道数据。这类算法是DART到多个通道的概括,并且在多通道分割步骤中组合每个单独的通道重建的信息。我们证明,在一系列模拟实验中,与单通道DART相比,MC-DART能够产生更精确的重建。
translated by 谷歌翻译
由于大数据革命和不断增长的计算能力,人工智能(AI)在过去几年中取得了令人印象深刻的复兴,现在在研究和工业领域都无处不在。创意部门一直是人工智能技术的早期采用者,这种情况一直如此。事实上,最近的技术发展突破了创意应用中智能系统的界限:2016年发布的备受好评的电影“Sunspring”完全是由人工智能技术编写的,也是有史以来第一部名为“Hello World”的音乐专辑,使用人工智能生产的产品已于今年发布。同时,创造性过程的探索性特征为AI提出了重要的技术挑战,例如,在传统的“大数据”方法或者处理,分析和匹配数据的能力下,人工智能技术在有限的数据源下是准确的。从多种形式(文本,声音,图像等)同时进行。本白皮书的目的是了解人工智能的未来技术进步及其对创造性产业日益增长的影响。本文讨论了以下问题:AI在创意产业中的运作方式?它的作用是什么? AI将如何在未来十年内转变创意产业?本白皮书旨在提供关于创意产业中人工智能行为范围的现实视角,提出该技术如何为此类背景下的研究和开发工作做出贡献的愿景,并确定研究和发展挑战。
translated by 谷歌翻译
在本文中,我们使基于测地距离的递归滤波器适应稀疏数据插值问题。所提出的技术是通用的,并且可以很好地应用于任何类型的稀疏数据。我们在定性和定量评估的三个实验中证明了优于其他插值技术的优势。此外,我们将我们的方法与EpicFlow光学流程论文中流行的插值算法进行了比较,该算法由相似的测地距离原理直观地推动。比较表明,我们的算法比EpicFlow插值技术更准确,速度更快。
translated by 谷歌翻译
我们提出了无切割标记的后续结石,用于代理逻辑中的中心形式:带有时间算子的STIT逻辑。这些包括Ldm,Tstit和Xstit的序列系统。所有的结石都具有基本的结构特性,如收缩和切割可容许性。标记的Calculi G3Ldm和G3TSTIT相对于非反射性时间帧显示出完整和完整。此外,我们通过显示也可以通过关系帧来表征alsoXSTIT来扩展当前结果,省略了使用BT + ACframes。
translated by 谷歌翻译
训练具有自适应连通性的稀疏神经网络是一个活跃的研究课题。与密集型网络相比,这种网络需要较少的存储空间并且具有较低的计算复杂度。稀疏进化训练(SET)过程使用权重大小来有效地演化稀疏网络的拓扑以适合数据集,同时使其具有比其密集对应物更少的参数。为此,我们提出了一种新方法,该方法基于网络中神经元的行为来演化稀疏网络拓扑。更准确地说,任何两个神经元的激活之间的余弦相似性用于确定哪些连接被添加到网络或从网络中移除。通过在SET过程中集成ourapproach,我们提出了5种新算法来训练稀疏神经网络。我们认为我们的方法具有较低的额外计算复杂性,我们与Hebbian学习并行。从各个域中获取的8个数据集进行了实验,以证明我们的方法的基因可适用性。即使没有优化超参数特定数据集,实验表明我们提出的训练算法通常优于SET和最先进的密集神经网络技术。最后但并非最不重要的是,我们表明输入神经元的演化连通模式反映了它们的影响关于分类任务。
translated by 谷歌翻译
本文是Berkel和Lyon在2019年发表的“Cut-free Calculi and RelationalSemantics for Temporal STIT logics”一文的附录。它提供了基本STIT逻辑Ldm(相对于无反射,时间Kripke STIT帧)的完整性证明以及给出了逻辑Xstit的代理公理的独立性的推导。
translated by 谷歌翻译
对于许多应用来说,标记数据的收集是费力的。在训练期间开发未标记的数据因此是机器学习的长期目标。自我监督学习通过提供大量可用数据的辅助任务(不同但与监督任务相关)来解决这个问题。在本文中,我们展示了如何将排名用作某些回归问题的aproxy任务。作为另一个贡献,我们为连体网络提出了有效的反向传播技术,该技术可以防止多分支网络架构引入的冗余计算。我们将框架应用于两个回归问题:图像质量评估(IQA)和人群计数。对于这两者,我们展示了如何从未标记的数据自动生成排序的图像集。我们的研究结果表明,经过训练的网络可以回归标记数据的地面真实目标,并同时学习对标记数据进行排序,从而获得明显更好的,最先进的IQA和人群计数结果。此外,我们表明,在自我监督代理任务中测量网络不确定性是衡量未标记数据信息量的一个很好的指标。这可用于驱动主动学习算法,并表明这可以减少标签工作量高达50%。
translated by 谷歌翻译
The structure and performance of neural networks are intimately connected, and by use of evolutionary algorithms, neural network structures optimally adapted to a given task can be explored. Guiding such neuroevolution with additional objectives related to network structure has been shown to improve performance in some cases, especially when modular neural networks are beneficial. However, apart from objectives aiming to make networks more modular, such structural objectives have not been widely explored. We propose two new structural objectives and test their ability to guide evolving neural networks on two problems which can benefit from decomposition into subtasks. The first structural objective guides evolution to align neural networks with a user-recommended decomposition pattern. Intuitively, this should be a powerful guiding target for problems where human users can easily identify a structure. The second structural objective guides evolution towards a population with a high diversity in decomposition patterns. This results in exploration of many different ways to decompose a problem, allowing evolution to find good decompositions faster. Tests on our target problems reveal that both methods perform well on a problem with a very clear and decomposable structure. However, on a problem where the optimal decomposition is less obvious, the structural diversity objective is found to outcom-pete other structural objectives-and this technique can even increase performance on problems without any decomposable structure at all.
translated by 谷歌翻译
在大规模系统中,近似最近邻搜索是一种实现高效数据检索的算法。最近,已经提出基于深度学习的哈希算法作为实现数据相关方案的有希望的范例。通常它们的功效仅在具有固定的,有限数量的类的数据集上证明。在实际情况中,这些标签不可用或者需要一种能够处理更高输入可变性以及更高粒度的方法。为了满足这些要求,请采取更灵活的相似性措施。在这项工作中,我们提出了一种新颖,灵活,端到端的可训练网络,用于大规模数据散列。我们的方法是通过转换数据分布来表现为球体产品的均匀分布。随后以最大化输出熵的方式(即,充分利用可用的比特率容量)同时保持正确性(即,关闭项目散列到地图中的相同密钥),将变换后的数据散列为abinary形式。我们表明该方法在有限容量范围内优于基线方法,如局部敏感哈希和产品量化。
translated by 谷歌翻译