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
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
异常检测(AD)任务对应于从给定的一组数据实例中识别真实异常。 AD算法对数据实例进行评分并产生候选异常的排序列表,然后由人类分析以发现真正的异常。然而,当假阳性的数量非常高时,这个过程对于人类分析师来说可能是费力的。因此,在许多现实的AD应用中,包括计算机安全和防止欺诈,异常检测器必须由人类分析师配置,以最大限度地减少误报。在本文中,我们研究了主动学习自动调谐异常探测器的问题,以最大化发现的真实异常的数量。我们为此目标做出了四项主要贡献。首先,我们提出了一个重要的见解,解释了ADensembles的实际成功以及合奏如何自然适合主动学习。其次,我们提出了几种基于树的AD集合主动学习算法。这些算法帮助我们改善发现的异常的多样性,生成规则集以提高异常实例的可解释性,并以原则方式接受流数据设置。第三,我们提出了一种称为全局定位异常检测(GLAD)的算法,用于通用AD集合的主动学习。 GLAD允许最终用户通过使用标签反馈自动学习与特定数据实例的本地相关性来保留使用简单易懂的全局异常检测器。第四,我们进行了广泛的实验来评估我们的见解和算法。我们的结果表明,除了发现明显更多的异常而不是最先进的无监督基线之外,我们主动学习算法的流数据设置与批量设置相比具有竞争力。
translated by 谷歌翻译
在神经网络的帮助下,计算机视觉领域的最新进展使我们探索和开发了许多由于缺乏必要的技术而曾无人看管的现有挑战。 HandSign /手势识别是深度神经网络产生重大影响的重要领域之一。在过去几年中,已经进行了大量的研究来识别手势和手势,我们的目标是扩展到我们的母语Bangla(也称为孟加拉语)。我们的工作的主要目标是制作一个自动化工具,以帮助无法说话的人。我们开发了一个系统,可以自动检测基于手势的数字,并用Bangla语言说出结果。根据世界卫生组织(WHO)的报告,世界上有15%的人患有某种残疾。其中,言语障碍等具有交际障碍的个人在社交互动中经历了实质性的障碍。所提出的系统对于减轻这种障碍是非常有价值的。系统的核心是建立在基于卷积神经网络(CNN)的深度学习模型的基础上。该模型对基于手势的数字进行分类,对验证数据的准确率为92%,这确保了它是一个高度可信赖的系统。在对数字进行分类时,得到的输出被送到文本到语音引擎,并且翻译器单元最终生成用Bangla语言的音频输出。可以在http://bit.ly/signdigits2banglaspeech上找到演示ourtool的Web应用程序。
translated by 谷歌翻译
如今,Twitter已经成为用户生成的关于事件的信息的重要来源。很多时候,人们会在他们的推文中报告事件之间的因果关系。在这些事件中自动检测因果关系信息可能在预测事件分析中发挥重要作用。现有方法包括基于规则和数据驱动的监督方法。然而,由于社交媒体短文本(如推文)的高度非结构化性质和语法错误,仅使用语言规则正确识别事件因果关系具有挑战性。而且,由于不充分的背景信息,很难开发用于推文中的事件因果检测的数据驱动监督方法。本文提出了一种基于背景知识的新型事件上下文扩展技术。为了证明我们提出的事件上下文单词扩展技术的有效性,我们开发了一种基于前馈神经网络的方法来检测来自推文的事件因果关系。大量实验证明了我们的方法的优越性。
translated by 谷歌翻译
在过去几年中,自动说话人识别(ASV)的表现攻击检测(PAD)领域取得了重大进展。这包括开发新的语音语料库,标准评估协议以及前端特征提取和后端分类器的进步。 。标准数据库和评估协议的使用首次实现了对不同PAD解决方案的有意义的基准测试。本章总结了进展,重点关注过去三年完成的研究。本文概述了两个ASVspoof挑战的结果和经验教训,这是第一个以社区为主导的基准测试工作。这表明ASV PAD仍然是一个尚未解决的问题,需要进一步关注开发广泛的PAD解决方案,这些解决方案有可能检测出多样化和以前看不见的欺骗行为。攻击。
translated by 谷歌翻译