多年来，卷积神经网络（CNN）已成为多种计算机视觉任务的事实上的标准。尤其是，基于开创性体系结构（例如具有跳过连接的U形模型）或具有金字塔池的Artous卷积的深度神经网络已针对广泛的医学图像分析任务量身定制。此类架构的主要优点是它们容易拘留多功能本地功能。然而，作为一般共识，CNN无法捕获由于卷积操作的固有性能的内在特性而捕获长期依赖性和空间相关性。另外，从全球信息建模中获利的变压器源于自我发项机制，最近在自然语言处理和计算机视觉方面取得了出色的表现。然而，以前的研究证明，局部和全局特征对于密集预测的深层模型至关重要，例如以不同的形状和配置对复杂的结构进行分割。为此，本文提出了TransDeeplab，这是一种新型的DeepLab样纯变压器，用于医学图像分割。具体而言，我们用移动的窗口利用层次旋转式变形器来扩展DeepLabV3并建模非常有用的空间金字塔池（ASPP）模块。对相关文献的彻底搜索结果是，我们是第一个用基于纯变压器模型对开创性DeepLab模型进行建模的人。关于各种医学图像分割任务的广泛实验证明，我们的方法在视觉变压器和基于CNN的方法的合并中表现出色或与大多数当代作品相提并论，并显着降低了模型复杂性。代码和训练有素的模型可在https://github.com/rezazad68/transdeeplab上公开获得
translated by 谷歌翻译
这项研究旨在提出一个基于K-neart邻居的新型分类器，该分类器使用Power Muirhead平均操作员来计算每个类别的本地平均值。我们称我们的新方法电源muirhead Mean K-Nearest邻居（PMM-KNN）分类器。PMM-KNN分类器具有多个参数，可以针对每个问题确定和微调，这些参数与其他最近的邻居方法相比是一个优势。我们使用五个知名数据集评估PMM-KNN性能。研究结果表明，PMM-KNN优于其他一些分类方法。
translated by 谷歌翻译
在过去的几年中，卷积神经网络（CNN），尤其是U-NET，一直是医学图像处理时代的流行技术。具体而言，开创性的U-NET及其替代方案成功地设法解决了各种各样的医学图像分割任务。但是，这些体系结构在本质上是不完美的，因为它们无法表现出长距离相互作用和空间依赖性，从而导致具有可变形状和结构的医学图像分割的严重性能下降。针对序列到序列预测的初步提议的变压器已成为替代体系结构，以精确地模拟由自我激进机制辅助的全局信息。尽管设计了可行的设计，但利用纯变压器来进行图像分割目的，可能导致限制的定位容量，导致低级功能不足。因此，一系列研究旨在设计基于变压器的U-NET的强大变体。在本文中，我们提出了Trans-Norm，这是一种新型的深层分割框架，它随同将变压器模块合并为标准U-NET的编码器和跳过连接。我们认为，跳过连接的方便设计对于准确的分割至关重要，因为它可以帮助扩展路径和收缩路径之间的功能融合。在这方面，我们从变压器模块中得出了一种空间归一化机制，以适应性地重新校准跳过连接路径。对医学图像分割的三个典型任务进行了广泛的实验，证明了透气的有效性。代码和训练有素的模型可在https://github.com/rezazad68/transnorm上公开获得。
translated by 谷歌翻译
卷积神经网络（CNN）已成为医疗图像分割任务的共识。但是，由于卷积操作的性质，它们在建模长期依赖性和空间相关性时受到限制。尽管最初开发了变压器来解决这个问题，但它们未能捕获低级功能。相比之下，证明本地和全球特征对于密集的预测至关重要，例如在具有挑战性的环境中细分。在本文中，我们提出了一种新型方法，该方法有效地桥接了CNN和用于医学图像分割的变压器。具体而言，我们使用开创性SWIN变压器模块和一个基于CNN的编码器设计两个多尺度特征表示。为了确保从上述两个表示获得的全局和局部特征的精细融合，我们建议在编码器编码器结构的跳过连接中提出一个双层融合（DLF）模块。在各种医学图像分割数据集上进行的广泛实验证明了Hiformer在计算复杂性以及定量和定性结果方面对其他基于CNN的，基于变压器和混合方法的有效性。我们的代码可在以下网址公开获取：https：//github.com/amirhossein-kz/hiformer
translated by 谷歌翻译
本文涉及基于张量低秩分解框架的镜面反射去除，借助极化信息。我们的方法是通过观察到的，即图像的镜头亮点稀疏分布，而剩余的弥漫性反射可以通过使用低级别和稀疏分解框架的几种不同颜色的线性组合很好地近似。与当前的溶液不同，我们的张量低级别分解可以保持镜面和弥漫性信息的空间结构，从而使我们能够在强镜反射或饱和区域中恢复弥漫性图像。我们进一步定义并施加了新的极化正则项作为颜色通道的约束。这种正则化可以通过处理颜色失真来提高该方法的性能，以处理颜色失真，这是一个基于色度的方法的常见问题，尤其是在强烈的镜面反射的情况下。通过对合成图像和真实极化图像的全面实验，我们证明我们的方法能够显着提高突出显示镜面去除的准确性，并优于恢复弥漫性图像的竞争方法，尤其是在强烈的镜面反射区域或在饱和区域中。
translated by 谷歌翻译
转移学习是一种标准技术，可以将知识从一个领域转移到另一个领域。对于医学成像中的应用，尽管域之间的任务和图像特征差异，但从Imagenet转移已成为事实上的方法。但是，尚不清楚哪些因素决定了哪些因素以及在何种程度上转移学习到医疗领域是有用的。最近，人们对源域重复使用的特征的长期假设最近受到质疑。通过在几个医学图像基准数据集上进行的一系列实验，我们探讨了传输学习，数据大小，模型的容量和电感偏置以及源域和目标域之间的距离之间的关系。我们的发现表明，在大多数情况下，转移学习是有益的，我们表征了重要的角色重复使用在其成功方面。
translated by 谷歌翻译
道路维护规划是道路资产管理的一个组成部分。维护和康复（M＆R）实践中的主要挑战之一是确定维护类型和时间。本研究提出了一种基于长期路面性能（LTPP）数据库的强化学习（RL）的框架，以确定M＆R实践的类型和时间。首先以所提出的算法开发预测DNN模型，其用作RL算法的环境。对于RL模型的策略估计，开发了DQN和PPO模型。然而，由于更好的收敛性和更高的样本效率，终点被选中了PPO。本研究中使用的指标是国际粗糙度指数（IRI）和车辙深度（RD）。最初，我们将裂化度量（cm）视为第三指示器，但是由于与其他指标相比的数据少得多，因此被排除在外，导致结果的准确性较低。此外，在成本效益计算（奖励）中，我们考虑了M＆R治疗的经济和环境影响。使用Palate 2.0软件评估了成本和环境影响。我们的方法是在德克萨斯州德克萨斯州的23公里长的六车道高速公路的假设案例研究中进行了测试。结果提出了一个20年的M＆R计划，其中道路状况保持在出色的条件范围。由于道路的早期阶段处于良好的服务水平，因此在第一年不需要重型维护实践。后来，经过重型的M＆R作用，有几个1-2岁的治疗方法。所有这些都表明拟议的计划具有逻辑结果。决策者和运输机构可以使用此计划进行更好的维护实践，以防止预算浪费，同时最大限度地减少环境影响。
translated by 谷歌翻译
由于筛选乳房X线照片的假阴性评估，通常在晚期检测到与其他癌症更差的间隔和大型侵入性乳腺癌。错过的筛选时间检测通常由其周围乳腺组织模糊的肿瘤引起的，这是一种称为掩蔽的现象。为了研究和基准爆发癌症的乳房Xmmpare掩蔽，在这项工作中，我们引入CSAW-M，最大的公共乳房数据集，从10,000多个人收集并用潜在的掩蔽注释。与以前的方法对比测量乳房图像密度作为代理的方法，我们的数据集直接提供了五个专家屏蔽潜在评估的注释。我们还培训了CSAW-M的深入学习模型来估计掩蔽水平，并显示估计的掩蔽更加预测筛查患有间隔和大型侵入性癌症的参与者 - 而不是明确培训这些任务 - 而不是其乳房密度同行。
translated by 谷歌翻译
CNN精确深度预测的能力是在实际视觉上的应用中广泛使用的主要挑战，例如增强的相机跟踪和密集映射。本文旨在回答以下问题：我们可以在视觉SLAM算法的帮助下调整深度预测CNN，即使CNN没有针对当前的操作环境训练，以便受益于SLAM性能？为此，我们提出了一种新的在线适应框架，由两个互补过程组成：一个SLAM算法用于生成微调深度预测的关键帧和使用在线适应深度来提高地图质量的另一算法。一旦拆除了潜在的噪声地图点，我们就会执行全局光度束调节（BA）以提高整体的SLAM性能。在我们自己的实验环境中的基准数据集和真正机器人的实验结果表明，我们的提出方法提高了大满重建精度。我们展示了在培训损失中使用正则化作为防止灾难性遗忘的有效手段。此外，我们将我们的在线适应框架与最先进的预先训练的深度预测CNN进行比较，以表明我们的在线适应深度预测CNN优于已经在大量数据集上培训的深度预测CNN。
translated by 谷歌翻译
背景：人类的思想是多式联的。然而，大多数行为研究依赖于百年历史措施，例如任务准确性和延迟。为了更好地了解人类行为和大脑功能，我们应该引入其他措施并分析各个方面的行为。然而，它在技术上复杂且昂贵地设计和实施记录多种措施的实验。要解决此问题，需要一个允许从人类行为同步多种措施的平台。方法：本文介绍了名为OpenSync的OpenSource平台，可用于在神经科学实验中同步多种措施。该平台有助于自动集成，同步和记录生理测量（例如，脑电图（EEG），电流性皮肤响应（GSR），眼睛跟踪，身体运动等），用户输入响应（例如，来自鼠标，键盘，操纵杆等）和任务相关信息（刺激标记）。在本文中，我们解释了Opensync的结构和细节，提供了两种在精神病和团结的案例研究。与现有工具的比较：与专有系统（例如，审核）不同，OpenSync是免费的，它可以在任何替换实验设计软件（例如，Fleare，Openseame，Unity等，https://pypi.org/project/中使用OpenSync /和https://github.com/moeinrazavi/opensync_unity）。结果：我们的实验结果表明，OpenSync平台能够使用微秒分辨率同步多种措施。
translated by 谷歌翻译