近年来，地理空间行业一直在稳定发展。这种增长意味着增加卫星星座，每天都会产生大量的卫星图像和其他遥感数据。有时，这些信息，即使在某些情况下我们指的是公开可用的数据，由于它的大小，它也无法占据。从时间和其他资源的角度来看，借助人工或使用传统的自动化方法来处理如此大量的数据并不总是可行的解决方案。在目前的工作中，我们提出了一种方法，用于创建一个由公开可用的遥感数据组成的多模式和时空数据集，并使用ART机器学习（ML）技术进行可行性进行测试。确切地说，卷积神经网络（CNN）模型的用法能够分离拟议数据集中存在的不同类别的植被。在地理信息系统（GIS）和计算机视觉（CV）的背景下，类似方法的受欢迎程度和成功更普遍地表明，应考虑并进一步分析和开发方法。
translated by 谷歌翻译
在这项工作中，我们提出了一种方法，以准确评估和比较有效的神经网络构建块的性能，以硬件感知方式进行计算机视觉。我们的比较使用了基于设计空间的随机采样网络的帕累托前沿来捕获潜在的准确性/复杂性权衡。我们表明，我们的方法允许通过以前的比较范例获得的信息匹配，但对硬件成本和准确性之间的关系提供了更多见解。我们使用我们的方法来分析不同的构件并评估其在一系列嵌入式硬件平台上的性能。这突出了基准构建块作为神经网络设计过程中的预选步骤的重要性。我们表明，选择合适的构件可以在特定硬件ML加速器上加快推理的速度2倍。
translated by 谷歌翻译
常规进行了视频支气管镜检查，以涉嫌癌症，监测COPD患者的肺组织活检以及在重症监护病房中澄清急性呼吸问题。复杂的支气管树中的导航尤其具有挑战性和身体要求，需要医生的长期经验。本文介绍了支气管镜视频中支气管孔的自动分割。由于缺乏易于获取的地面真相分段数据，目前，基于学习的深度方法被阻碍。因此，我们提出了一个由K均值组成的数据驱动管道，然后是基于紧凑的标记的流域算法，该算法能够从给定的深度图像中生成气道实例分割图。通过这种方式，这些传统算法是仅基于Phantom数据集的RGB图像上直接在RGB图像上训练浅CNN的弱监督。我们在两个体内数据集上评估了该模型的概括能力，这些数据集涵盖21个不同的支气管镜上的250帧。我们证明其性能与那些在体内数据中直接训练的模型相当，通过128x128的图像分辨率，对于检测到的气道分割中心的平均误差为11 vs 5像素。我们的定量和定性结果表明，在视频支气管镜检查，幻影数据和弱监督的背景下，使用基于非学习的方法可以获得对气道结构的语义理解。
translated by 谷歌翻译
为了能够在不怀疑的情况下使用人工智能（AI）在医学中，并认识到和评估其日益增长的潜力，在当前和未来的医务人员中，对该主题的基本理解是必要的。在“通过理解的信任”的前提下，我们在德国Ki校园（AI校园）项目框架内开发了创新的在线课程，这是一个自我指导的课程，它教授AI的基础知识进行分析医疗图像数据。主要目标是提供一个学习环境，以充分了解医学图像分析中的AI，以便通过积极的应用经验来克服对该主题的进一步兴趣，并可以克服对其使用的抑制。重点是医疗应用和机器学习的基础。在线课程分为连续的课程，其中包括以解释性视频的形式，以简化和实践练习和/或测验的形式进行的实践练习，以检查学习进度。在课程的第一次跑步中，参与医学生的一项调查用于定量分析我们的研究假设。
translated by 谷歌翻译
现实世界中的竞争游戏，例如国际象棋，GO或Starcraft II，依靠ELO模型来衡量球员的力量。由于这些游戏不是完全传递的，因此使用ELO隐式假设它们具有可以正确识别和提取的强透射组件。在这项研究中，我们研究了识别游戏中及传递组件强度的挑战。首先，我们证明ELO模型即使在基本的透明游戏中也无法提取此传递组件。然后，基于此观察，我们提出了ELO分数的扩展：我们最终获得了一个圆盘排名系统，该系统分配了每个玩家两个分数，我们将其称为技能和一致性。最后，我们提出了关于机器人和人类玩的现实世界游戏的回报矩阵的经验验证。
translated by 谷歌翻译
在本文中，我们提出了对罗马尼亚的进化和预测的分析，结合了SIRD的数学模型，Sird的数学模型是经典模型SIR的扩展，其中包括死者作为单独的类别。原因是，由于我们无法完全信任被报告的感染或恢复人数，因此我们基于更可靠的死者人数的分析。此外，我们模型的参数之一包括感染和测试与受感染的比例。由于有许多因素对大流行的演变产生影响，因此我们决定基于前7天的数据来处理估计和预测，在这里尤其重要。我们使用神经网络分两个步骤执行估计和预测。首先，通过使用模型模拟数据，我们训练了几个学习模型参数的神经网络。其次，我们使用这些神经网络中的十个集合来预测罗马尼亚Covid19的真实数据的参数。这些结果中的许多是由定理支持的，该定理可以保证我们可以从报告的数据中恢复参数。
translated by 谷歌翻译
我们提出了一系列机器学习系统，可以使用一套视觉元素和艺术原则量化美术绘画。这种正式分析是理解艺术的基础，但发展这种制度是挑战性的。绘画具有很高的视觉复杂性，但也难以使用直接标签收集足够的培训数据。为了解决这些实际限制，我们介绍了一种名为代理学习的新机制，这在绘画中学习了绘画中的视觉概念，尽管它们与风格的一般关系。此框架不需要任何视觉注释，但只使用样式标签和视觉概念和风格之间的一般关系。在本文中，我们提出了一种新的代理模型，并在代理学习的背景下重新制定四种预先存在的方法。通过定量和定性比较，我们评估这些方法，并比较它们在量化艺术视觉概念时的有效性，其中普通关系通过语言模型估算;手套或伯特。语言建模是一种实用且可扩展的解决方案，需要没有标签，但不可避免地不完美。我们展示了新的代理模型对缺陷的强大，而其他模型敏感地受其影响。
translated by 谷歌翻译
这项工作介绍了一种用于学习随机环境的前进模型的神经结构。该任务仅通过以图像形式的时间非结构化观察学习来实现。一旦训练，该模型允许在存在噪声的情况下跟踪环境状态或间歇地到达的新感受。另外，可以以观察盲模式传播状态估计，从而允许长期预测。网络可以对未来的观察和样本来输出对信仰分布的预期。得到的函数类似于粒子过滤器（PF）的功能。在我们模拟移动移动的环境中评估架构。随着前进和传感器型号可用，我们实现了PF以衡量从数据学到的模型的质量。
translated by 谷歌翻译
深度神经网络能够解决许多具有较少工程努力和更好的性能的复杂任务。但是，这些网络通常使用数据进行培训和评估，而无需调查其表示，即〜使用数据的形式。在本文中，我们通过能量时间序列预测分析了数据表示对深神经网络性能的影响。基于示例性数据表示的概述，我们选择四个示例性数据表示，并使用两个不同的深神经网络架构和真实的能量时间序列上的三个预测视野进行评估。结果表明，根据预测地平线，相同的数据表示可以对深神经网络的准确性产生正面或负面影响。
translated by 谷歌翻译
在本文中，我们建议对罗马尼亚的Covid19的演变进行三个阶段分析。关于大流行预测，有两个主要问题。第一个是事实，即受感染和恢复的数量是不可靠的，但是死亡人数更准确。第二个问题是有许多因素影响了大流行的演变。在本文中，我们提出了三个阶段的分析。第一阶段是基于我们使用神经网络进行的经典SIR模型。这提供了第一组每日参数。在第二阶段，我们提出了对SIR模型的改进，其中我们将死者分为不同的类别。通过使用第一个估计和网格搜索，我们每天对参数进行估计。第三阶段用于定义参数的转折点（本地极端）的概念。我们将这些要点之间的时间称为政权。我们根据SIRD的时间变化参数来概述一种通用方式，以进行预测。
translated by 谷歌翻译