与以前的工作不同,这种开放式数据采集包括专为机器学习应用和高锥角人工制品减少而设计的X射线锥束(CB)计算机断层扫描(CT)数据集。用实验室X射线设置扫描42个核桃,不仅提供来自单个物体的数据,而且提供具有自然变化的一类物体的数据。对于每个核桃,获得了三个不同源轨道上的CB投影,提供了具有不同锥角的CB数据,并且能够从可以用于监督学习的组合数据中计算无物质,高质量的地面实况图像。我们提供完整的图像重建管道:原始投影数据,扫描几何描述,使用开放软件的预处理和重建脚本,以及构建的体积。因此,数据集不仅可以用于高角度伪影减少,还可以用于其他任务的算法开发和评估,例如从有限或稀疏角度(低剂量)扫描,超分辨率或分割的图像重建。
translated by 谷歌翻译
舌行为的肌肉协调模式是通过以各种方式改变局部肌肉群而产生的协同作用。功能单元是舌内局部结构元件的功能性肌肉群,其以紧密且一致的方式压缩,扩张和移动。使用标记磁共振成像(MRI)识别功能单元揭示了正常和病理肌肉协调模式的机制,从而改善了手术计划,治疗或康复过程。在这里,为了挖掘这些信息,我们提出了矩阵分解和概率图形模型框架,以使用从标记的MRI中提取的运动量来产生构建块及其相关的加权图。我们的标记MRI成像和精确的体素水平跟踪提供了以前不可用的内部舌头运动模式,从而揭示了在语言或其他语言行为期间舌头的内部工作。我们在加权图上使用谱聚类来识别由可能涉及多个或未记录区域的舌头运动定义的内聚区域。为了评估我们的方法,我们进行了一系列实验。我们首先使用二维图像和合成数据来证明我们的方法的准确性。然后,我们使用三维合成和\ textit {in vivo}舌运动数据,使用突出和简单的语音任务来识别局部区域中舌头的主体特定和数据驱动的功能单元。
translated by 谷歌翻译
在言语或其他语言行为中4D舌运动的功能和解剖学特征的定量测量仍然是科学研究和临床应用中的主要挑战。在这里,我们介绍了使用健康受试者的4D舌头运动的统计多模式图谱,这使得能够在参考解剖配置中对舌头运动进行组合的定量表征。该图集框架,称为语音地图,结合了电影和标记MRI,以便在语音期间提供解剖学参考和运动信息。我们的方法涉及一系列步骤,包括(1)构建来自MRI-MRI的共同参考解剖学配置,(2)来自标记-MRI的运动估计,(3)将运动估计转换为参考解剖学配置,以及(4)计算拉格朗日应变等运动量。使用这种框架,舌头的解剖结构看起来是静止的,而运动场和相关的应变测量值在语音的时间过程中发生变化。此外,为了形成高维和复杂运动场的简洁表示,进行主成分分析以表征我们的语音任务的运动场的中心趋势和变化。我们提出的方法提供了一个平台,通过照亮到目前为止所特有的内部运动和应变,定量和客观地解释舌运动的差异和可变性。该研究结果用于了解舌头的舌功能如何受到由glossectomy患者的异常内部运动和应变限制。
translated by 谷歌翻译
在进化计算领域,最具挑战性的主题之一是算法选择。了解使用哪种启发式优化问题是获得高质量解决方案的关键。我们的目标是通过迈向自适应CAM-ES算法选择方法的第一步来扩展这个研究主题。我们建立在van Rijn \ textit {et al。} [PPSN'18]所做的理论工作的基础上,其中在模块化CMA-ES框架的背景下量化了不同CMA-ES变体之间切换的可能性。我们在这项工作中证明了他们提出的方法不是很可靠,因为实现建议的自适应配置并不会影响预测的性能增益。我们提出了一种经过修改的方法,可以更好地拟合预测性能和实际性能。自适应CMA-ES方法在BBOB基准测试的24个测试功能中有18个获得性能提升,稳定优势高达23%。对模块激活的分析表明哪些模块对于优化24个基准问题中的每一个的不同阶段最为关键。模块激活还表明,当包括(B)IPOP模块时,可以获得额外的增益,我们已将其排除在当前的工作之外。
translated by 谷歌翻译
今天拍摄的绝大多数照片都是通过手机拍摄的。虽然他们的质量正在迅速增长,但由于物理限制和成本限制,手机相机难以与DSLR相机进行质量比较。这激励我们计算增强这些图像。我们对Ignatov等人的研究结果进行了扩展,他们能够将紧凑型移动摄像机的图像转换为质量与DSLR相机拍摄的高分辨率照片相当的图像。然而,所采用的神经模型需要大量的计算资源,并且不足以在移动设备上运行。我们在之前的工作基础上,探索不同的网络架构,旨在提高图像质量和速度。凭借高效的网络架构,它以低空间分辨率完成大部分处理,我们获得了比基线高得多的平均意见得分(MOS),同时在消费级CPU上将计算速度提高了6.3倍。这表明使用未来的手机硬件进行基于神经网络的照片增强的有希望的方向。
translated by 谷歌翻译
信息理论贝叶斯对鲁索和范罗伊的后悔束缚了对先前不确定性的遗憾依赖性。然而,这种依赖性是熵,随着动作数量的增加,它可以变得任意大。我们建立了新的界限,而不是依赖于速率 - 失真的概念。在其他方面,这使我们能够通过信息理论论证恢复近似线性强盗的最佳界限。我们还提供了一个物流强盗的约束,它可以显着提高以前最好的可用性,尽管这个界限取决于我们只能通过计算量化的信息理论统计量。
translated by 谷歌翻译
从图像中自动消除雨水效果有许多应用,例如自动驾驶,无人机驾驶和照片编辑,并且仍然吸引了许多人的注意力。传统方法使用启发式手工制作各种先验,以从图像中移除或分离雨效果。最近提出了基于端到端深度学习的去除方法以提供更大的灵活性和有效性。然而,当遇到大雨的图像时,它们往往不会获得良好的视觉效果。大雨带来了不仅有雨的条纹,还有由于微小雨滴积聚而产生的雾状效应。与以往的去除方法不同,在本文中,我们使用新的雨模型来模拟雨水图像,不仅可以去除雨水条纹,还可以消除类似雾霾的效果。在我们的模型的指导下,我们设计了一个双分支网络来容忍其参数。然后,联合训练SPP结构以改进我们模型的结果,以便灵活地控制去除雾状效果的程度。此外,提出了一种可以定位雨天像素的子网,以指导我们的网络训练。在几个数据集上的广泛实验表明,我们的方法在目标评估和视觉质量方面都优于最先进的技术。
translated by 谷歌翻译
We propose to learn a hierarchical prior in the context of variational autoencoders to avoid over-regularisation resulting from a standard normal prior distribution. To incentivise an informative latent representation of the data by learning a rich hierarchical prior, we formulate the objective function as the Lagrangian of a constrained-optimisation problem and propose an optimisation algorithm inspired by Taming VAEs. To validate our approach, we train our model on the static and binary MNIST, Fashion-MNIST, OMNIGLOT, CMU Graphics Lab Motion Capture, 3D Faces, and 3D Chairs datasets, obtaining results that are comparable to state-of-the-art. Furthermore, we introduce a graph-based interpolation method to show that the topology of the learned latent representation correspond to the topology of the data manifold.
translated by 谷歌翻译
我们研究后勤强盗,其中奖励是二元成功概率$ \ exp(\ beta a ^ \ top \ theta)/(1 + \ exp(\ beta a ^ \ top \ theta))$ andactions $ a $和systems $ \ theta $在$ d $ -dimensional单位球内。虽然先前后悔限制了解决斜率参数$ \ beta $的logistic banditexhibit指数依赖的算法,但我们建立了与Thompson采样无关的格式。 beta $。特别是,我们确定,当可行动作的集合与可能的系数向量集合相同时,Thompsonsampling的贝叶斯遗憾是$ \ tilde {O}(d \ sqrt {T})$。我们还建立了一个$ \ tilde {O}(\ sqrt {d \ etaT} / \ lambda)$ bound,它适用范围更广,其中$ \ lambda $是最差情况下的最佳对数,$ \ eta $是“脆弱性维度,“一个新的统计数据,用于捕捉一个模型的最优行动对其他模型的满足程度。我们通过证明,对于任何$ \ epsilon> 0 $,没有算法可以实现$ \ mathrm {poly}(d,1 / \ lambda)\ cdot T ^ {1- \ epsilon} $,我们证明了脆弱性维度起着非常重要的作用。后悔。
translated by 谷歌翻译
在本报告中,我们回顾了基于记忆的元学习作为建筑样本有效策略的工具,该策略从过去的经验中学习以适应目标类中的任何任务。我们的目标是为读者提供此工具的概念基础,以构建在陆域上运行的新的可扩展代理。为此,我们提出了基本的算法模板,用于建立最佳预测器和强化学习器,其行为就好像它们具有允许它们有效地利用任务结构的概率模型。此外,我们在贝叶斯框架内重建基于内存的元学习,显示元学习策略接近最优,因为它们分摊贝叶斯过滤数据,其中适应在内存动态中实现为具有足够统计数据的状态机。从本质上讲,基于记忆的学习 - 学习将概率序贯推理的难题转化为回归问题。
translated by 谷歌翻译