这项工作提出了一种新的循环架构，可以从图像中提取高频模式并将其重新插入几何特征。此过程允许我们增强一方面捕获精细细节的低成本深度传感器的分辨率，并忠于另一方面的扫描地面真相。我们为深度超分辨率任务以及视觉上有吸引力，增强的3D模型提供了最先进的结果。
translated by 谷歌翻译
正常的胎儿脂肪组织（AT）发育对于围产期健康至关重要。在或简单地脂肪以脂质形式存储能量。营养不良可能导致过度或耗尽的肥胖。尽管以前的研究表明，AT和围产期结局的量之间存在相关性，但缺乏定量方法，对AT的产前评估受到限制。使用磁共振成像（MRI），可以从两个点Dixon图像中获得整个胎儿的3D脂肪和纯水图像，以在脂质定量时启用。本文是第一个提出一种基于Dixon MRI的胎儿脂肪分割的深度学习方法的方法。它优化了放射科医生的手动胎儿脂肪描述时间，以生成带注释的培训数据集。它由两个步骤组成：1）基于模型的半自动胎儿脂肪分割，由放射科医生进行了审查和纠正； 2）使用在所得的注释数据集中训练的DL网络的自动胎儿脂肪分割。培训了三个DL网络。与手动分割相比，我们显示出分割时间（3:38小时至<1小时）和观察者变异性（0.738至0.906）的显着改善。用3D残差U-NET，NN-UNET和SWIN-UNETR TRONSERTER网络对24个测试用例进行自动分割，平均骰子得分分别为0.863、0.787和0.856。这些结果比手动观察者的变异性更好，并且与自动成人和小儿脂肪分割相当。一名放射科医生审查并纠正了六个新的独立案例，并使用最佳性能网络进行了细分，导致骰子得分为0.961，校正时间显着减少了15:20分钟。使用这些新颖的分割方法和短暂的MRI获取时间，可以在临床和大型果园研究中量化全身皮下脂质的单个胎儿。
translated by 谷歌翻译
在加强学习的背景下，我们介绍了一个国家的关键性的概念，这表明在该特定状态下采取行动的选择程度影响预期的回报。也就是说，采取行动的选择更容易影响最终结果的状态被认为比它不太可能影响最终结果的国家更为重要。我们制定了基于临界的不同步骤编号算法（CVS） - 一种灵活的步骤编号算法，其利用人类提供的临界功能，或直接从环境中学到。我们在包括Atari Pong环境，道路树环境和射击环境的三个不同领域中测试它。我们展示了CVS能够优于流行的学习算法，如深Q-Learning和Monte Carlo。
translated by 谷歌翻译
当被要求进行学生执行特定的任务时，她对这项任务难度的主观估计对她的表现产生了强烈影响。关于感知任务难度对性能和动机的影响存在丰富的文献。然而，还有另一个主题与在以前的研究中没有受到任何关注的感知任务困难的影响的主题 - 揭示一项任务对学生的真正难度的影响。本文通过实验调查了揭示任务难以通过实验的实验来解决学生的表现，动机，自我效力和主观任务价值。此外，我们讨论了实验结果如何与AI辅助教育相关。具体而言，我们详细阐述了如何通过支持两种类型的AI系统来支持学生的学习经验的问题：一个AI系统，其预测任务难度和一个AI系统，确定何时应该揭示任务难度何时。
translated by 谷歌翻译
当AI代理人不与人类价值观对齐时，他们可能会造成严重伤害。解决价值对齐问题的一种方法是包括监视所有代理的行为的人工操作员。尽管如此，这种解决方案保证了最大的安全性，它是非常效率的，因为它需要人类运营商将他的所有关注献给代理商。在本文中，我们提出了一个更有效的解决方案，允许运营商在不忽视他的监控任务的情况下从事其他活动。在我们的方法中，AI代理只要求运营商的权限仅适用于关键行动，即可能有害的行动。我们介绍了关于AI安全的关键行动的概念，并讨论如何构建测量动作关键性的模型。我们还讨论操作员的反馈如何用于使代理商更智能。
translated by 谷歌翻译
数据驱动算法，特别是神经网络，可以在高分辨率模拟数据训练时模拟粗辨率气候模型中未解决的过程的影响;然而，当在没有接受培训的条件下评估时，它们通常会进行大规模的概括误差。在这里，我们建议在物理上重新归类机器学习算法的输入和输出，以帮助他们推广到看不见的气候。在三个不同的气候模型中应用了划分级热力学的离线参数化，我们展示了重新划分的或“气候不变”神经网络，使测试气候的准确预测比其培训气候更温暖。此外，“气候不变”神经网络促进了Aquaplanet和地球模拟之间的泛化。通过可视化和归因方法，我们表明与标准机器学习模型相比，“气候不变”算法学到了风暴规模对流，辐射和其天气热力学环境之间的更多地方和强大的关系。总的来说，这些结果表明，将物理知识纳入地球系统过程的数据驱动模型可以提高其在气候制度上概括的一致性和能力。
translated by 谷歌翻译
体验重播\ CITEP {Lin1993ReInforcement，Mnih2015human}是一种广泛使用的技术，可以实现有效利用数据和R1算法中的性能提高。在经验重放中，过去的转换存储在内存缓冲区中并在学习期间重新使用。在以前的作品中提出了从重播缓冲区中提出了用于从重放缓冲区的采样方案的各种建议，试图最佳选择这些经验，这些经历将有最大贡献的融合到最佳政策。在这里，我们对重播采样方案提供一些条件，该方案将确保收敛，重点是表格设置中的众所周知的Q学习算法。在为收敛建立充足的条件后，我们向建议以偏见方式重播的经验略有不同的用法作为改变所产生的策略的属性的方法。我们启动了对体验重放的严格研究作为控制和修改生成策略的属性的工具。特别是，我们表明使用适当的偏置采样方案可以允许我们实现\ emph {Safe}策略。我们认为，使用体验重放作为偏置机制，允许以可取的方式控制所产生的政策是许多应用程序具有有希望的潜力的想法。
translated by 谷歌翻译
RL常用的启发式是经验重放（例如〜\ CiteT {Lin1993ReInforcement，Mnih2015human}），其中一个学习者商店和重新使用过去的轨迹，好像它们在线采样。在这项工作中，我们在表格Q-Learning的设置中启动了对这种启发式的严格研究。我们提供了融合率保证，并讨论如何与Q-Leature的融合相比，这取决于诸如重播迭代的频率和数量的重要参数。我们还通过引入和分析简单的MDP，提供理论上的证据显示我们可能期待这一启发式的启发式态度。最后，我们提供了一些实验来支持我们的理论发现。
translated by 谷歌翻译
来自磁共振成像（MRI）数据的自动脑肿瘤分割在评估治疗和个性化治疗分层的肿瘤反应中起重要作用.Manual分割是乏味的，主观的脑肿瘤细分算法有可能提供目标并且快速肿瘤分割。但是，这种算法的培训需要大量数据集，这些数据集并不总是可用的。数据增强技术可以减少对大型数据集的需求。然而，当前方法主要是参数，并且可能导致次优的性能。我们引入了两个非参数化的脑肿瘤分割的数据增强方法：混合结构正则化（MSR）和Shuffle像素噪声（SPN）.we评估了MSR和SPN增强对大脑肿瘤分割（BRATS）2018挑战数据集的附加值与编码器 - 解码器NNU-NNU-NNU-NET架构作为分割算法。从MSR和SPN改善NNU-NET分段与参数高斯噪声增强相比的准确性。当分别将MSR与肿瘤核心和全肿瘤实验的非参数增强分别增加了80％至82％和p值= 0.0022,00028。所提出的MSR和SPN增强有可能在其他任务中提高神经网络性能。
translated by 谷歌翻译
我们展示了单轨道路问题。在这个问题中，两个代理在一条道路的相对位置时面对每个代理，这一次只能有一个试剂通过。我们专注于一个代理人是人类的情景，而另一个是一种自主代的代理人。我们在一个简单的网格域中与人类对象进行实验，这模拟了单轨道路问题。我们表明，当数据有限时，建立准确的人类模型是非常具有挑战性的，并且基于该数据的加强学习代理在实践中表现不佳。但是，我们表明，试图最大限度地提高人力效用和自己的实用程序的线性组合的代理，达到了高分，并且显着优于其他基线，包括试图仅最大化其自身的实用性的代理。
translated by 谷歌翻译