无人驾驶飞行器(UAV)是一种相对较新的技术。应用程序通常涉及复杂和看不见的问题。例如,他们可以在地面站的监督下在基于合作社的环境中工作,以加速关键的决策过程。然而,飞机和地面站之间交换的信息量受到高距离,低带宽尺寸,受限制的处理能力和能量限制的限制。这些缺点限制了诸如大的非常大的大规模操作。新的分布式最先进的处理架构,如雾计算,可以通过不同层次的数据采集,处理和存储来改善延迟,可扩展性和效率,以满足时间约束。在这些修订中,这项研究工作提出了一个数学模型分析基于分布的无人机拓扑和用于大规模任务和搜索操作的雾云计算框架。这些测试成功地预测了延迟和其他操作限制,使得分析计算优势优于传统的云计算架构。
translated by 谷歌翻译
本文提出了一种基于复杂网络与随机神经网络融合的高判别纹理分析方法。在这种方法中,输入图像被建模为复杂网络,其拓扑性质以及图像像素用于训练随机神经网络,以便创建表示纹理的深度特征的签名。获得的结果超过了文献中许多方法的准确度。这种表现表明,我们提出的方法开辟了一个有前途的研究来源,其中包括探索纹理分析领域中神经网络和复杂网络的协同作用。
translated by 谷歌翻译
膝关节骨性关节炎(OA)是最常见的无骨折的肌肉骨骼疾病,目前的治疗方案仅限于症状缓解。对OA进展的预测是一个非常具有挑战性和及时性的问题,如果得到解决,它可以加速疾病调节药物的开发并最终帮助防止每年进行数百万次关节置换手术。在这里,我们提出了一种基于多模态机器学习的OAprogression预测模型,该模型利用原始射线照相数据,临床检查结果和患者的既往病史。我们在2,129个主题的3,918个膝关节图像的独立测试集上验证了这种方法。我们的方法在ROC曲线(AUC)下产生的面积为0.79(0.78-0.81),平均精度(AP)为0.68(0.66-0.70)。相比之下,基于逻辑回归的参考方法得出的AUC为0.75(0.74-0.77),AP为0.62(0.60-0.64)。该方法可以显着改善OA药物开发试验的主题选择过程,有助于个性化治疗方案的开发。
translated by 谷歌翻译
虽然无监督变分自动编码器(VAE)已经成为神经图像分析中的一个强大工具,但它们在监督学习中的应用正在探索中。我们的目标是通过提出统一的概率模型来弥补这一差距,以便学习成像数据的潜在空间并进行监督回归。基于学习解缠表示的最新进展,新的生成过程明确地模拟了关于回归目标变量的关于表示的条件分布。在该模型上执行变分推理过程导致VAE和神经网络回归之间的联合调节。在预测来自其结构磁共振(MR)图像的245名受试者的年龄时,当应用于感兴趣区域(ROI)测量或原始3D体积图像时,我们的模型比现有技术方法更准确。更重要的是,与简单的前馈神经网络不同,潜在表征中的年龄解开允许直观地解释人类大脑的结构发展模式。
translated by 谷歌翻译
本文展示了机器学习中常用的自适应控制优化方法之间的许多直接联系。从常见的输出错误公式开始,检查更新法修改中的相似之处。然后讨论两个领域共同的稳定性,性能和学习概念。基于更新法则和共同概念的相似性,提供了新的交叉点和改进算法分析的机会。特别地,通过从这些交叉点获得的见解来解决与高阶学习相关的特定问题。
translated by 谷歌翻译
我们提出了一种合成数据生成的任务感知方法。我们的框架采用可训练的合成器网络,通过评估“目标”网络的优势和劣势,优化产生意义的训练样本。合成器和目标网络以对抗性方式进行训练,其中每个网络的更新目标是超越另一个。另外,我们通过将其与在真实世界图像上训练的鉴别器配对来确保合成器生成真实数据。此外,为了使目标分类器对于混合人工制品不变,我们将这些人工制品引入训练图像的背景区域,以使目标不会过度拟合。我们通过将其应用于不同的目标网络(包括AffNIST上的分类网络)和不同数据集上的两个物体检测网络(SSD,Faster-RCNN)来证明我们的方法的功效。在AffNISTbenchmark上,我们的方法能够超越基线结果,只需要一半的训练样例。在VOC人员检测基准测试中,由于我们的数据增加,我们显示了高达2.7%的改进。类似地,在GMU检测基准上,我们报告mAP在基线方法中的性能提升为3.5%,优于先前的技术方法,在特定类别上达到7.5%。
translated by 谷歌翻译
许多计算机视觉挑战需要连续输出,但往往通过离散分类来解决。原因是分类在概率$ n $ -simplex内的自然收敛,如流行的softmaxactivation函数所定义。常规回归缺乏这种封闭的几何形状,导致不稳定的训练和收敛到次优的局部最小值。从这个洞察力开始,我们重新审视卷积神经网络中的回归。我们观察到计算机视觉中的连续输出问题自然包含几何流形,如视点估计中的欧拉角或表面法线估计中的法线。产生这种连续输出问题的一个自然框架是$ n $ -spheres,它们是$ \ mathbb {R} ^ {(n + 1)} $空间中定义的自然闭合几何流形。通过在回归输出上引入$ n $ -spheres上的非球面指数映射,我们获得了良好的渐变,从而实现了稳定的训练。我们展示了我们的球面回归如何用于几个计算机视觉挑战,特别是视点估计,表面法线估计和3D旋转估计。对于所有这些问题,我们的实验证明了球形回归的好处。所有纸质资源都可以通过以下网址获得://github.com/leoshine/Spherical_Regression。
translated by 谷歌翻译
来自多个来源的汇集成像数据受到资源之间的变化的影响。随着成像研究的大小增加并且多站点情况变得更加普遍,纠正这些偏差变得非常重要。我们建议学习一种不依赖于站点/协议变量的中间表示,这是一种改编自基于信息论的算法公平性的技术;通过利用数据处理不等式,这样的表示然后可以用于创建图像重建,该图像重建不是其原始源的信息,但仍然忠实于底层结构。为了实现这一点,我们使用基于变分自动编码器(VAE)的机器学习方法来构建成像数据的扫描仪不变编码。为了评估我们的方法,我们使用了2018年CDMRI Challenge Harmonizationdataset的培训数据。我们提出的方法显示了对最近发布的基线方法的独立测试数据的改进。
translated by 谷歌翻译
X射线行李安全检查广泛用于维护航空和运输安全。特别感兴趣的是对特定类别物体(如电子,电子设备和液体)的自动安全X射线分析的关注。但是,在处理潜在的异常物品时,手动检查这些物品是一项挑战。在这里,我们提出了一种双卷积神经网络(CNN)架构,用于在复杂的安全X射线图像中进行自动异常检测。我们利用基于区域(R-CNN),基于掩模的CNN(掩模R-CNN)和检测结构(例如RetinaNet)的最新进展来为特定的感兴趣对象类提供对象定位变体。随后,利用一系列已建立的CNN对象和细粒度类别分类方法,我们在对象异常检测中将其形成为两类问题(异常或良性)。虽然最佳执行对象定位方法能够以超过六级X射线物体检测问题的97.9%平均平均精度(mAP)执行,但随后的两级异常/良性分类能够在对象异常检测中实现66%的性能。 。总的来说,这种表现既包括在杂乱的X射线安全图像的背景下对物体异常检测的挑战和承诺。
translated by 谷歌翻译
磁共振图像(MRI)中骨骼肌的分割对于肌肉生理学和肌肉病理学诊断的研究是必不可少的。然而,大型MRI体积的手动分割是耗时的任务。 MRI中肌肉分割算法的最新技术仍然不是很广泛,并且在某种程度上依赖于数据库。在本文中,提出了一种基于AdaBoost局部纹理特征分类的自动分割方法。纹理描述符由Oriented Gradients(HOG)的Histogram,基于Wavelet的特征以及从灰度MRI的高斯过滤的原始和拉普拉斯算子计算的一组统计测量值组成。分类器性能表明纹理分析可能是设计广义和自动MRI肌肉分割框架的有用工具。此外,本文还描述了基于图谱的单个肌肉分割方法。通过使用适当的仿射变换在图像对准之后覆盖由放射科医师提供的肌肉分割基础事实来获得Theatlas。然后,它用于在AdaBoostbinary分割上定义肌肉标签。当获得准确的肌肉组织分割时,开发的图谱方法提供了合理的结果。
translated by 谷歌翻译