在不同的情况下，需要计算和定位图像中的重复对象，例如生物学显微镜研究，生产线检查和监测记录分析。在大型类特定数据集接受训练时，使用监督的束缚神经网络（CNNS）实现了精确的对象检测。当需要在唯一对象类的图像中需要计数时，这种方法中的标签努力不会降低。假设没有预先训练的分类器可用，我们介绍了一种计数和本地化重复对象的新方法。我们的方法在很少有效地学习迭代中仔细收集一小组标签上的CNN。在每次迭代时，分析网络的潜在空间以提取最小数量的用户查询，以尽可能彻底地彻底地样本的歧管以及避免冗余标签。与现有用户辅助计数方法相比，我们的主动学习迭代在计数和定位准确性方面实现最先进的性能，用户鼠标点击数和运行时间。通过大型用户研究进行该评估，这些评估在各种图像类别上进行，具有不同的照明和闭塞条件。
translated by 谷歌翻译
我们介绍了一种声音和完整的算法，称为迭代因果发现（ICD），用于在存在潜在混杂器和选择偏压的情况下恢复因果图。 ICD依赖于因果性马尔可夫和忠诚的假设，并恢复潜在因果图的等价类别。它以完整的图形开始，由单个迭代阶段组成，通过识别连接节点之间的条件独立性（CI）逐渐改进该图。任何迭代后都需要的独立性和因果关系是正确的，随时渲染ICD。基本上，我们将CI调节的大小与测试节点绑定到图表上的距离，并在连续迭代中提高此值。因此，每次迭代都改进了通过具有较小调节集的先前迭代恢复的图 - 一种更高的统计功率 - 这有助于稳定性。我们凭经验证明ICD需要较少的CI测试，并与FCI，FCI +和RFCI算法相比，学习更准确的因果图。
translated by 谷歌翻译