步态识别是与每个人相关的独特生物特征模式的表征，可以用来识别无直接接触的人。具有相对较大受试者的公共步态数据库可以为将来的研究提供一个很好的机会，以建立和验证步态身份验证模型。这项研究的目的是引入一个由93个人类受试者的全面步态数据库，他们在两个不同的课程中行走在两个端点（320米）之间，并使用两台智能手机记录其步态数据，一个附着在右大腿上，另一个附着在左侧。腰部。该数据是通过基于深度学习的方法来利用的，该方法需要足够的时间点。记录包括年龄，性别，吸烟，每日运动时间，身高和体重在内的元数据。该数据集可公开使用。
translated by 谷歌翻译
在我们的全面实验和评估中，我们表明可以生成多个对比度（甚至是合成的），并使用合成生成的图像来训练图像分割引擎。我们显示出在描绘肌肉，脂肪，骨骼和骨髓的实际多对比度MRI扫描测试的有希望的分割结果，这些结果均接受了合成图像的训练。基于合成图像训练，我们的分割结果分别高达93.91 \％，94.11 \％，91.63 \％，95.33 \％，分别用于肌肉，脂肪，骨骼，骨骼和骨髓描绘。结果与使用真实图像进行分割训练时获得的结果没有显着差异：94.68 \％，94.67 \％，95.91 \％和96.82 \％。
translated by 谷歌翻译
就像其他少量学习问题一样，很少拍摄的细分旨在最大限度地减少手动注释的需求，这在分割任务中特别昂贵。即使少量拍摄设置降低了新型测试类的这种成本，仍然需要注释培训数据。为了减轻这种需求，我们提出了一种自我监督的培训方法，用于学习几次射门分割模型。我们首先使用无监督的显着性估计来获得图像上的伪掩码。然后，我们将在不同的伪掩模的不同分割和增强图像的不同分裂上培训一个简单的原型模型。我们广泛的实验表明，该方法达到了有希望的结果，突出了自我监督培训的潜力。据我们所知，这是第一个解决自然图像上无监督的少量分割问题的第一项工作。
translated by 谷歌翻译