Histopathology imaging is crucial for the diagnosis and treatment of skin diseases. For this reason, computer-assisted approaches have gained popularity and shown promising results in tasks such as segmentation and classification of skin disorders. However, collecting essential data and sufficiently high-quality annotations is a challenge. This work describes a pipeline that uses suspected melanoma samples that have been characterized using Multi-Epitope-Ligand Cartography (MELC). This cellular-level tissue characterisation is then represented as a graph and used to train a graph neural network. This imaging technology, combined with the methodology proposed in this work, achieves a classification accuracy of 87%, outperforming existing approaches by 10%.
translated by 谷歌翻译
我们提出了SF2SE3，这是一种以分割形式估算场景动态为独立移动的刚体对象及其SE（3）运动的新型方法。 SF2SE3在两个连续的立体声或RGB-D图像上运行。首先，通过应用现有的光流和深度估计算法获得嘈杂的场景流。 SF2SE3然后迭代（1）样本像素集以计算SE（3） - 动作建议，（2）选择最佳的SE（3） - 动作建议，以最大值的覆盖率配方。最后，通过基于与输入场景流量和空间接近的一致性将像素分配给所选的SE（3）动作来形成对象。主要的新颖性是对运动提案采样的更明智的策略，以及提案选择的最大覆盖范围。我们在多个数据集上进行评估，以应用SF2SE3用于场景流估计，对象分割和视觉探光度。 SF2SE3的表现与艺术的状态相同，以进行场景流量估计，并且更准确地进行分割和进程。
translated by 谷歌翻译
大量的研究与逼真的传感器数据的产生有关。激光点云是由复杂的模拟或学习的生成模型生成的。通常利用生成的数据来启用或改善下游感知算法。这些程序来自两个主要问题：首先，如何评估生成数据的现实主义？其次，更现实的数据还会导致更好的感知表现吗？本文解决了问题，并提出了一个新颖的指标，以量化LiDar Point Cloud的现实主义。通过训练代理分类任务，可以从现实世界和合成点云中学到相关功能。在一系列实验中，我们证明了我们的指标的应用来确定生成的LiDAR数据的现实主义，并将我们的度量的现实主义估计与分割模型的性能进行比较。我们确认我们的指标为下游细分性能提供了指示。
translated by 谷歌翻译
图形神经网络（GNN）正在化学工程中出现，以基于分子图的物理化学特性端到端学习。 GNNS的一个关键要素是合并函数，将原子矢量结合到分子指纹中。大多数以前的作品都使用标准池功能来预测各种属性。但是，不合适的合并功能会导致概括不佳的非物理GNN。我们根据有关学习特性的物理知识比较并选择有意义的GNN合并方法。通过量子机械计算计算出的分子特性证明了物理池函数的影响。我们还将结果与最近的SET2Set合并方法进行了比较。我们建议使用总和池来预测取决于分子大小的性能并比较分子大小无关的属性的池函数。总体而言，我们表明物理池功能的使用显着增强了概括。
translated by 谷歌翻译
最近，在学习的形象和视频压缩中取得了重大进展。特别是，生成的对抗性网络的使用导致低比特率制度的令人印象深刻的结果。然而，模型规模仍然是当前最先进的提案中的重要问题，并且现有解决方案需要在解码方面需要大量的计算工作。这限制了它们在现实方案中的用法和视频压缩的扩展。在本文中，我们展示了如何利用知识蒸馏来在原始参数的一部分处获得同样有能力的图像解码器。我们调查我们解决方案的几个方面，包括具有用于图像编码的侧面信息的序列专业。最后，我们还展示了如何将所获得的益处转移到视频压缩的设置中。总的来说，这允许我们将模型大小降低20倍，并在解码时间减少50％。
translated by 谷歌翻译