在本文中,我们广泛研究了基于不同深度学习的方法来检测黑色素瘤和皮肤病变癌症。黑色素瘤是一种恶性皮肤癌,对健康非常具有威胁性。早期对黑色​​素瘤的正确诊断对于完全治愈的成功率至关重要。可以通过计算机视觉系统对具有良性和恶性形式的皮肤癌的皮肤镜图像进行分析,以简化皮肤癌检测的过程。在这项研究中,我们尝试了各种神经网络,用于最近基于深度学习的模型,如PNASNet-5-Large,InceptionResNetV2,SENet154,InceptionV4。在将皮肤图像馈送到网络中之前,对其进行适当处理和扩充。我们在国际皮肤成像协作(ISIC)2018 challengedataset上测试了我们的方法。我们的系统在PNASNet-5-Large模型中获得了0.76的最佳验证分数。通过更大的训练数据集和精心选择的超参数进一步改进和优化所提出的方法可以改善性能。该代码可从以下网址下载:http://github.com/miltonbd/ISIC_2018_classification
translated by 谷歌翻译
卷积神经网络是最近成功的基于深度学习的方法在各种计算机视觉任务(如分类,分割和检测)上成功的关键工具。卷积神经网络在这些任务中实现了最先进的性能,并且每天都在推动计算机视觉和人工智能的限制。然而,对计算机视觉系统的对抗性攻击威胁着它们在现实生活和关键性应用中的应用。必要的是,寻找对抗性的例子对于检测敏感模型进行攻击并采取保护措施以克服对抗性攻击是非常重要的。在这方面,MCS 2018 Adversarial Attackson黑匣子面部识别挑战旨在促进研究发现新的对抗性攻击技术及其在生成对抗性示例中的有效性。在这次挑战中,攻击的本质是针对黑箱神经网络的攻击 - 我们对黑块“罪人结构一无所知。攻击者必须修改一个人的五个图像的集合,以便神经网络将它们错误地分类为目标图像,该目标图像是另一个人的五个图像的集合。在本次比赛中,我们应用MomentumDiverse输入迭代快速梯度符号方法(M-DI2-FGSM)对黑盒人脸识别系统进行对抗攻击。我们测试了我们的方法MCS 2018对抗攻击黑盒子面部识别的挑战和发现的竞争结果。我们的解决方案得到验证得分1.404,比基线得分1.407更好,在领导板的132支队伍中排名第14位。通过从源图像中寻找改进的特征提取,精心选择的超参数,找到改进的黑盒替代模型和更好的优化方法,可以实现进一步的改进。
translated by 谷歌翻译
分类是一种重要的监督机器学习方法,是生态学研究的必要和具有挑战性的问题。它提供了一种将数据集分类为共享共同模式的子集的方法。值得注意的是,有许多分类算法可供选择,每个算法都对数据做出某些假设,以及如何形成分类。在本文中,我们应用了八种机器学习分类算法,如DecisionTrees,随机森林,人工神经网络,支持向量机,线性判别分析,k近邻,Logistic回归和朴素贝叶斯生态数据。本研究的目的是比较生态数据集中不同的机器学习分类算法。在这个分析中,我们检查了算法中的准确度测试。在我们的研究中,我们得出结论,线性判别分析和k-最近邻是所有其他方法的最佳方法
translated by 谷歌翻译
鉴定基因的重要子集,基因剃须是生物医学研究中对于大量基因和生物网络的复杂性质的一个重要的挑战性问题。由于基因组信息的基于确定核的方法可以改善疾病的预测,本文提出了一种新的方法,即“核基因剃须(基于核心规范相关分析(核心CCA)的基因剃须)”。这个问题是通过核心的影响函数来解决的。 CCA。为了研究所提方法在三种常用基因选择方法(T-test,SAM和LIMMA)的比较中的性能,我们使用了广泛的模拟和实际微阵列基因表达数据集。计算了每种方法的性能测量AUC。所提出的方法的成果比三种众所周知的基因选择方法都有所改进。在实际数据分析中,该方法从$ 2000 $基因中确定了$ 210 $基因的子集。这些基因的网络具有明显更多的相互作用,这表明他们可能会在对抗殖民者的共同努力中发挥作用。
translated by 谷歌翻译
本文提出了一种通过多种机器学习技术采用多数投票技术来检测人类语音情感的方法。这项工作的贡献有两个方面:首先,它选择了最有希望进行分类的语言特征,其次使用选择精确类别情感的多数投票技术。这里,多数表决技术已应用于神经网络(NN),DecisionTree(DT),支持向量机(SVM)和K-最近邻(KNN)。 NN,DT,SVM和KNN的输入向量由各种声学和韵律特征组成,如Pitch,Mel-Frequency Cepstral系数等。从语音信号中提取了许多特征,并且只选择了有希望的特征。为了将特征视为有希望的,已经使用基于快速相关的特征选择(FCBF)和Fisher分数算法,并且仅选择那些由它们两者高度排名的特征。所提出的方法已经在柏林情绪语音数据集[3]和电磁艺术(EMA)数据集[4]上进行了测试。实验结果表明,多数投票技术比单个机器学习技术具有更好的准确性。在社交机器人,智能聊天客户,公司呼叫中心等情况下,所采用的方法可以有效地识别人类的情感。
translated by 谷歌翻译
使用深度卷积神经网络(CNN)进行水果识别是计算机视觉中最有前途的应用之一。近年来,基于深度学习的分类使得从图像中识别水果成为可能。然而,由于复杂性和相似性,水果识别仍然是堆积果实超重的问题。本文提出了一种利用CNN的水果识别系统。所提出的方法使用加深学习技术进行分类。我们使用Fruits-360数据集来评估目的。从数据集中,我们建立了一个数据集,其中包含来自25个不同类别的17,823个图像。图像被划分为训练和测试数据集。此外,对于分类精度,我们对不同的情况使用了隐藏层和时期的各种组合,并对它们进行了比较。还观察到不同情况下网络的整体性能损失。最后,我们达到了最佳的100%准确率和99.79%的训练精度。
translated by 谷歌翻译
量化是减少用于边缘计算的神经网络的存储器占用的常用技术,其需要降低用于网络参数的浮点表示的精度。使用测试来估计这种舍入误差对神经网络的整体性能的影响,该测试不是详尽的,因此不能用于保证模型的安全性。我们提出了一个基于满意度模理论(SMT)求解器的框架,以量化神经网络对参数扰动的鲁棒性。为此,我们引入了局部和全局鲁棒性的概念,这些概念捕获了由于参数量化引起的类别分配置信度的偏差。然后,鲁棒性概念被转换为SMT问题的实例,并使用求解器自动求解,例如dReal。我们在两个简单的多层感知器(MLP)上演示了我们的框架,它在二维输入上执行二进制分类。除了对稳健性进行量化之外,我们还表明,对于我们的MLP,整流线性单元激活比线性激活具有更高的鲁棒性。
translated by 谷歌翻译
组织分类是生物医学图像分析领域的重要任务之一。磁共振成像(MRI)在组织分类中具有重要意义,特别是在脑组织分类领域,能够识别感兴趣的解剖区域,如手术计划,监测治疗,临床药物试验,图像注册,立体定向神经外科,放射治疗等。本文将在ITK中实施不同的无监督分类算法,并进行组织分类(白质,灰质,脑脊液(CSF)和人脑背景)。为此,提供了5个灰度头MRI扫描。为了对脑组织进行分类,使用三种算法。它们是:Otsu阈值,贝叶斯分类和具有高斯平滑的贝叶斯分类。在结果和讨论部分分析获得的分类结果。
translated by 谷歌翻译
内核方法是一种非常流行的技术,通过映射到隐式的高维特征空间将线性模型扩展到非线性问题。虽然内核方法在计算上比显式特征映射便宜,但它们仍然受到点数的立方成本的影响。仅给出几千个位置,这种计算成本迅速超过当前可用的计算能力。本文的目的是在进行随机傅里叶特征(RFF)审查之前,从第一主体(重点是onridge回归)提供内核方法的概述,这是一组能够将内核方法扩展到bigdatasets的方法。在每个阶段,提供相关的R代码。我们首先说明岭回归的双重表示如何仅依赖于内部产品,并允许使用内核将数据映射到高维空间。我们进展到RFF,展示了如何只有几行代码提供显着的计算速度,以实现可忽略不计的成本。我们提供了在模拟空间数据集上实现RFF的示例,以说明这些属性。最后,我们总结了RFF的主要问题,并重点介绍了一些旨在减轻它们的先进技术。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译