为了估计由亲和性和两个径向畸变构成的眼底图像的配准模型,我们引入了基于血管之间误差的估计标准。在[1]中,我们通过最小化特征点之间的误差来估计该模型。在本文中,使用从我们的模型推导出的重叠对象的圆和椭圆方程来选择检测到的血管。我们的方法成功地将271对中的96%记录在主要使用不同相机获取的公共卫生数据集中。这比我们以前的方法[1]更好,并且比其他三种最先进的方法更好。在公开可用的数据集上,我们仍然比参考方法更好地注册图像。
translated by 谷歌翻译
使用线性卡尔曼解码器的皮质内脑计算机接口(iBCI)使得瘫痪的个体能够控制计算机光标,以便在虚拟键盘上进行连续的点击式键入,浏览互联网以及使用熟悉的平板电脑应用程序。但是,需要进一步的进步才能实现支持PBI的光标控制,从而接近健全的性能。受非线性递归神经网络(RNN)可以在非人类灵长类动物(NHP)中提供更高性能iBCI光标控制的近期证据的启发,使用跨多天训练的长短期记忆(LSTM)RNN对来自人类运动皮质信号的预期光标速度进行了评估。 - 电极记录。使用来自三个BrainGate iBCI试验参与者的先前记录的皮质信号运行模拟,我们演示了一个RNN,它可以显着提高基于高速光标的目标选择任务中的每秒比特度量,以及与之相比的挑战性小目标高精度任务。卡尔曼解码器。这些结果表明,应用于人类皮质内信号的RNN解码可以在连续2-D光标控制中实现显着的性能提升,并且可以激活用于四肢瘫痪的个体的在线评估的实时RNN实现。
translated by 谷歌翻译
这项工作扩展了Ardupilot的功能,允许研究人员在机器人操作系统(ROS)/ Gazebo模拟中开发群体机器人应用程序。 Ardupilot是一种用于自动空气,陆地和水下机器人自动驾驶功能的工具。然而,原始的Ardupilot并非设计用于群体机器人领域的应用。因此,本文的主要贡献是赋予Ardupilot能够处理群体机器人模拟,包括重构制造商的描述文件。这项工作使用现有的现有Erlerobotics的erlecopterUAV,在ROS / Ardupilot伞下为群体机器人应用提供了全面而逼真的模拟试验台。
translated by 谷歌翻译
识别和提取诸如出版全文中的研究描述符之类的数据元素是在许多任务中需要的关键但手动且劳动密集的步骤。在本文中,我们解决了以无人监督的方式识别数据元素的问题。具体而言,提供了一套描述特定研究参数的标准,例如物种,给药途径和给药方案,我们开发了一种无监督的方法来识别与标准相关的文本片段(句子)。经过训练以识别符合标准的出版物的二元分类器在对候选句子进行训练时比在从文本中随机挑选的句子进行训练时表现更好,支持我们的方法能够准确识别研究描述符的直觉。
translated by 谷歌翻译
公平性是一个越来越重要的问题,因为机器学习模型用于支持高风险应用中的决策制定,例如抵押贷款,雇用和监狱判刑。本文介绍了一个新的开源Python工具包,用于算法公平,AI Fairness 360(AIF360),在Apache v2.0许可证(https://github.com/ibm/aif360)下发布。该工具包的主要目的是帮助促进公平研究算法的转换,以便在工业环境中使用,并为公平研究人员提供共享框架,以共享和评估算法。该软件包包括一组全面的数据集和模型公平性度量标准,这些度量标准的解释以及减少偏见量和模型的算法。它还包括一个交互式Web体验(https://aif360.mybluemix.net),它简要介绍了业务线用户的概念和功能,以及广泛的文档,使用指南和行业特定的教程。数据科学家和从业者将最适合他们的问题的工具融入他们的工作产品中。该软件包的体系结构经过精心设计,符合数据科学中使用的标准范例,从而进一步提高了从业者的可用性。这种架构设计和架构使研究人员和开发人员能够利用他们的新算法和改进扩展工具包,并将其用于性能基准测试。 Abuilt-in测试基础设施可保持代码质量。
translated by 谷歌翻译
机器学习几乎蔓延到生活的每个领域。它已成功应用于生物学,医学,金融学,物理学等领域。如果模型在面对现实世界数据时失败,则会出现问题。因此,需要验证方法。本文描述了模型无关审计的方法和工具。引入的技术有助于评估和比较模型的适合度和性能。此外,它们可用于分析残差的相似性以及识别异常值和有影响的观测值。检查通过诊断评分和可视化验证进行。提出的方法在R的审计包中实现。由于语法灵活且一致,验证任何类的模型都很简单。
translated by 谷歌翻译
社交机器的概念越来越多地被用于描述Web上的各种社会认知空间。社交机器是使用网络数字技术的人类集体,其启动真实世界的过程和活动,包括人类交流,交互和知识创造。因此,它们不断涌现并在网络上淡出。采用物联网(IoT)传感器和设备使人与机器之间的关系变得更加复杂。这些设备的规模,自动化,连续传感和驱动能力为人与机器之间的关系增加了额外的维度,使得难以理解它们在系统或概念层面的演变。本文介绍了这些新的社会技术系统,我们通过不同的范例来称呼Cyber​​-Physical Social Machines,并考虑安全和隐私的相关挑战。
translated by 谷歌翻译
最近关于潜在树学习的工作的一个重要主题是尝试用解析值潜在变量开发神经网络模型并训练非解析任务,以期让它们发现可解释的树结构。在最近的一篇论文中,Shen等人。 (2018)引入了这样一个模型,并在语言建模的目标任务上报告了近乎最先进的结果,以及关于选区解析的第一个强潜在树学习结果。为了重现这些结果,我们发现了使原始结果难以信任的问题,包括调整甚至培训有效的测试集。在这里,我们尝试在fairexperiment中重现这些结果,并将它们扩展到两个新的数据集。我们发现这项工作的结果是稳健的:所研究的模型的所有变体都优于所有树学习基线,并且与符号语法诱导系统竞争性地执行。我们发现这个模型代表了潜在树学习的第一个经验成功,并且神经网络语言建模需要进一步研究作为语法归纳的设置。
translated by 谷歌翻译
我们开发了一种卷积神经网络(CNN),它可以首次对液氩时间投影室(LArTPC)记录的图像数据中的物体进行像素级预测。我们描述了为培训该网络而开发的网络设计,培训技术和软件工具。这项工作的目的是为MicroBooNE探测器开发一个完整的基于深度神经网络的数据构建链。我们使用MicroBooNEcollection平面图像显示网络在实际LArTPC数据上的有效性的第一次演示。演示用于停止μ子和$ \ nu_ \ mu $充电电流中性π介数数据样本。
translated by 谷歌翻译
近年来,随着深度学习框架和大型数据集的普及,研究人员开始并行化他们的模型,以便更快地完成。这一点至关重要,因为它们通常会探索许多超参数,以便为其应用找到最佳参数。这个过程非常耗时,因此加快培训可以提高生产率。许多研究人员遵循的并行化深度学习模型的一种方法是基于弱缩放。随着newGPU添加到系统中,小型机的尺寸会增加。此外,已经提出了新的学习率计划来修复大型小批量大小时出现的优化问题。然而,在本文中,我们表明最近工作提供的建议不适用于缺乏大型数据集的模型。实际上,我们认为在这种情况下使用强大的扩展来实现可靠的性能。我们使用多达32个GPU评估我们的方法并且表明弱扩展不仅具有与顺序模型相同的精度,它也无法实现大部分时间。同时,强大的扩展具有良好的可扩展性,同时具有与顺序实现完全相同的精度。
translated by 谷歌翻译