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
假新闻及其在社交媒体上的传播已成为一个主要问题,因为它具有创造破坏性影响的能力。不同的机器学习方法已被尝试检测它。然而,大多数假冒新闻集中在一种特殊类型的新闻(如政治)并没有应用许多先进技术。在这项研究中,我们进行了abenchmark研究,以评估不同适用方法在三种不同数据集上的表现,其中我们开发了最大和最多样化的数据集。我们还实施了一些先进的深度学习模型,这些模型已经显示出有希望
translated by 谷歌翻译
最近的研究表明,人们食用的环境会影响他们的营养行为。在这项工作中,我们提供自动工具,通过检查每日记录的以自我为中心的照片流来对个人的健康习惯进行个性化分析。具体来说,我们提出了一种新的自动方法,用于食物相关环境的分类,能够对多达15个这样的场景进行分类。通过这种方式,人们可以监控他们的食物摄入量,从而客观地了解他们的日常生活习惯。我们提出了一种模型,用于对在语义层次结构中组织的与食物相关的场景进行分类。此外,我们提供并提供了一个新的自我中心数据集,该数据集由一个由可穿戴相机记录的超过33000个图像组成,我们提出的模型已经过测试。我们的方法获得的准确度和F分数分别为56%和65%,明显优于基线方法。
translated by 谷歌翻译
在过去几年中,深度学习(DL)已经在不同的生物医学图像分析模式中表现出优异的性能。已经提出了几种用于医学成像和计算病理学中的分类,分割和检测任务的DL架构。在本文中,我们提出了一种新的DL架构,即NABLA-N网络,在解码单元中具有更好的特征融合技术,用于皮肤镜像分割任务.NABLA-N网络在分割任务方面有一些进步。首先,这个模型确保了语义分割的更好的特征表示,同时将低级到高级的特征映射组合在一起。其次,与其他方法相比,该网络显示出具有相同或更少网络参数的更好的定量和定性结果。此外,初始递归残余卷积神经网络(IRRCNN)模型用于皮肤癌分类。所提出的NABLA-N网络和IRRCNN模型用于皮肤癌分割和对来自国际皮肤成像协作2018(ISIC-2018)的基准数据集的分类。与现有残余U-Net(R2U-Net)相比,实验结果表明在分割任务方面具有优越的性能。分类模型显示,在ISIC2018dataset上,皮肤镜皮肤癌分类的检测准确率约为87%。
translated by 谷歌翻译
评估给定学习语句重要性的最新标准称为文字块距离(LBD)得分。它衡量给定学习条款中不同决策级别的数量。学习条款的LBD得分越低,其质量越好。已知LBD得分为2的学习条款称为胶条,具有较高的修剪能力,这些条款从现代CDCL SAT求解器的子句数据库中删除。在这项工作中,我们将胶合条款与决策变量联系起来。我们将至少在一个胶合条款中出现的变量称为当前搜索状态GlueVariables。我们首先通过实验证明,通过在2017年和2018年SAT竞赛的基准测试中运行最先进的CDCLSAT求解器MapleLCMDist,使用胶合变量的分支决策明显比nonglue变量更具推理性和冲突性。基于这一观察,我们开发了一种结构感知的CDCL变量碰撞方案,该方案基于其目前在搜索中学到的胶条中的外观计数来突破胶合变量的活动分数。 SATCompetition 2017和2018年主要赛道实例的新方法的实证评估显示有效性。
translated by 谷歌翻译
成立I4U联盟是为了促进联合进入NISTspeaker识别评估(SRE)。这种关节提交的最新版本在SRE 2018中,其中I4U提交是最佳表现系统之一。 SRE'18也标志着I4Uconsortium进入NIST SRE系列评估10周年。本文的主要目的是总结基于提交给SRE'18的各子系统及其融合的结果和经验教训。我们也有意提出一个共同观点,即我们在过去十年中从SRE'08到SRE'18见证了SRE参与者的进步,进展和主要范式转变。在这方面,除其他外,我们已经看到从超向量表示到深度说话人嵌入的范例转换,以及从信道补偿到领域适应的研究挑战的转变。
translated by 谷歌翻译