持续健康监测的出现以及大量时间序列数据的可用性为进行个人健康追踪提供了很好的机会。近年来,无监督学习方法引起了研究人员的特别关注,以解决健康数据的sparseannotation和异常的实时检测一直是一个感兴趣的问题。然而,之前没有得到解决的一个问题是对即将发生的负面健康事件的早期预测。事件的早期迹象可以在健康信号发病之前引入微妙和渐进的变化,在有效预防中检测这些变化是非常宝贵的。在这项研究中,我们首先证明了我们对广泛采用的异常检测方法在揭示负面健康事件之前的变化方面的观察。然后,我们提出了一个框架,该框架依赖于信号段表示的在线聚类,该区域由专门设计的LSTM自动编码器自动学习。我们通过使用MIT-PICS数据集提前1.3分钟预测婴儿心动过缓事件,平均68%的AUC评分,无标签监督,显示我们方法的有效性。我们的研究结果可以表明我们的方法在其他应用中早期检测健康事件的可行性。
translated by 谷歌翻译
在许多现实世界的学习场景中,功能只能在预算范围内受到成本限制。在本文中,我们提出了一种在预测时间进行成本敏感特征获取的新方法。建议的方法基于上下文感知特征值函数递增地获取特征。我们在强化学习范式中提出问题,并基于每个特征的效用引入奖励函数。具体而言,MC丢失采样用于测量模式不确定性的预期变化,其被用作特征值函数。此外,我们建议在类预测器和值函数估计器网络之间进行表示。建议的方法完全在线,并且很容易应用于流学习设置。该解决方案在三个不同的数据集上进行评估,包括众所周知的MNIST数据集作为基准以及两个成本敏感的数据集:Yahoo Learning to Rank和用于糖尿病分类的医学领域的数据集。根据结果​​,所提出的方法能够有效地获取特征并做出准确的预测。
translated by 谷歌翻译
在实际场景中,不同的功能在测试时间内具有不同的采集成本,这需要成本感知方法来优化成本和性能权衡。本文介绍了一种新颖且可扩展的方法,用于在测试时获取成本感知特征。该方法基于作为已知特征值的可用上下文递增地询问特征。所提出的方法基于神经网络中的灵敏度分析和使用具有二进制表示层的去噪自动编码器的密度估计。在提出的体系结构中,使用去噪自动编码器来处理未知特征(即,尚未获取的特征),并且将关于每个未知特征的预测的灵敏度用作信息性的依赖于上下文的测量。我们在八个不同的真实世界数据集以及一个合成数据集上评估了所提出的方法,并将其性能与文献中的其他几种方法进行了比较。根据结果​​,所提出的方法能够以成本和上下文感知的方式有效地获取特征。
translated by 谷歌翻译
心电图(ECG)可以可靠地用作监测心血管系统功能的措施。最近,人们非常注重心跳的准确分类。虽然不同的心电图条件之间存在许多共同点,但大多数研究的重点是在为该任务注释的数据集上对一组条件进行分类,而不是在不同的任务之间学习和使用可转移的知识。在本文中,我们提出了一种基于深度卷积神经网络的心跳分类方法,该方法能够根据AAMI EC57标准准确地分类五种不同的心律失常。此外,我们提出了一种将获得的知识转移到心肌的方法。梗塞(MI)分类任务。我们在PhysionNet的MIT-BIH和PTB诊断数据集上评估了所提出的方法。根据结果,建议的方法能够分别对心律失常分类和MI分类的平均准确度分别为93.4%和95.9%进行预测。
translated by 谷歌翻译
车载实时车辆检测对无人机和其他嵌入式移动平台具有重要意义。我们提出了一种用于无人机图像中的车辆检测的计算上廉价的检测网络,我们将其称为DruffleDet。为了提高速度性能,我们主要使用通道重排和分组卷积构建我们的方法。我们应用感知模块和可变形模块来考虑车辆的尺寸和几何形状。 ShuffleDet在CARPK和PUCPR +数据集上进行评估,并与最先进的实时物体检测网络进行比较.ShuffleDet实现了3.8 GFLOP,同时为两个数据集的测试集提供了竞争性能。我们的算法表明,我们的算法通过在NVIDIA JetsonTX2上以每秒14帧的速度运行实现了实时性能,显示了这种无人机实时处理方法的巨大潜力。
translated by 谷歌翻译
在本文中,我们提出了一种分布式累积牛顿共轭梯度(DANCE)方法,其中样本量逐渐增加,以快速获得经验损失在令人满意的统计精度下的分解。我们提出的方法是多阶段的,其中阶段的解决方案作为下一阶段的热启动,其包含更多样本(包括前一阶段中的样本)。所提出的多阶段算法减少了数据的通过次数,以实现完整训练集的统计精度。此外,我们的算法本质上易于分布并且共享强大的缩放属性,表明通过使用更多的计算节点总是期望加速。在凸设置下分析了关于下行方向计算,通信效率和停止准则的各种迭代复杂度结果。我们的数值结果表明,所提出的方法优于其他可比较的方法来解决包括神经网络在内的学习问题。
translated by 谷歌翻译
背景:通过神经网络对医学图像进行自动分类可以达到高准确率但缺乏可解释性。目的:比较通过使用基于内容的图像检索(CBIR)获得的诊断准确性,以检索具有相应疾病标签的视觉上相似的皮肤镜图像与由神经网络进行的预测。方法:通过神经网络训练,分别从包含888,2750和16691图像的三个回顾性采集的图像数据集中预测皮肤镜图像的疾病类别。诊断预测是基于视觉相似图像中最常见的诊断,或基于网络的softmax输出的前1类预测。结果测量是用于预测恶性病变(AUC)的ROC曲线下的面积,多类 - 准确度和平均精度(mAP),在相应数据集的未测试图像上测量。结果:在所有三个数据集中,来自CBIR的皮肤癌预测(评估16个最相似的图像)显示AUC值类似于softmax预测(0.842,0.806和0.852分别对0.830,0.810和0.847;所有的p值> 0.99)。类似地,CBIR的多类精度与softmax预测相当。在使用CBIR时,训练用于仅检测3类的网络在具有8个类别的数据集上表现得更好,与softmax预测相比(mAP 0.184对0.368和0.198对0.403分别)。结论:基于来自神经网络的特征呈现视觉上相似的图像显示出与基于概率的卷积神经网络的基于概率的诊断相当的准确性。 CBIR在提高临床医生在常规临床环境中的诊断准确性方面可能比asoftmax分类器更有帮助。
translated by 谷歌翻译
在无约束情景下的遥感图像中的自动多类目标检测对于包括交通监控和灾难管理在内的多种应用具有高度的兴趣。对象尺度,方向,类别和复杂背景的巨大变化以及不同的相机传感器对当前算法提出了巨大挑战。在这项工作中,我们提出了一种新的方法,包括一个新的联合图像级联和功能金字塔网络与多尺寸卷积核,以提取多尺度强和弱的语义特征。这些特征被馈送到基于旋转的区域提示和感兴趣区域网络以产生对象检测。最后,应用旋转非最大抑制来消除冗余检测。在训练期间,我们最小化关节水平和定向边界框损失函数,以及强制定向框为矩形的新颖损失。在具有挑战性的新DOTA数据集上,我们的方法在水平和72.45%mAP定向边界框检测任务上实现了68.16%的mAP,大大超过了所有已发布的方法(分别为+ 6%和+ 12%绝对改进)。此外,它推广到另外两个数据集,NWPU VHR-10和UCAS-AOD,并在DOTA训练时与baselineseven取得竞争结果。我们的方法可以部署在多类物体检测应用中,无论图像和物体比例和方向如何,使其成为无约束天线和卫星成像的绝佳选择。
translated by 谷歌翻译
众所周知的延迟接受爬坡(LAHC)搜索旨在克服传统爬坡(HC)搜索的主要缺点,由于在每次迭代中仅严格接受非恶化移动,因此常常陷入局部最优。相比之下,LAHC还接受恶化的移动,通过保持先前访问的解决方案的圆形阵列的适合度值并且将候选解决方案的适合度值与阵列中的最小重新元素进行比较。尽管这种直截了当的策略已被证明是有效的,但仍有一些情况,LAHC可能会以与HC相似的方式表现。例如,当找到新的局部最优值时,通常在阵列中多次存储相同的适合度值。为了解决这一问题,我们提出了新的接受和替换策略,以考虑到恶化,改进和横向移动情景,目的是改善阵列中价值的多样性。与LAHC相比,所提出的多样化后期接受搜索方法显示出更好的质量解决方案,这些解决方案通过基准跟踪推销员问题和二次分配问题的较少迭代次数获得。
translated by 谷歌翻译
我们提出了一种新颖的深度融合架构CaloriNet,用于在线估算私人环境中自由生活监测的能量消耗,其中RGB数据被丢弃并被轮廓取代。我们的融合卷积神经网络架构是可训练的端到端,使用时间前景轮廓和加速度计数据来估算卡路里消耗。在公共可用数据集SPHERE_RGBD + Inertial_calorie上对网络进行训练和交叉验证。结果显示了能量消耗估算(每分钟卡路里)的最小误差,优于替代,标准和单模态技术。
translated by 谷歌翻译