目的：对象检测正在通过自动化系统中的机器学习技术迅速发展。准备好的数据对于训练算法是必要的。因此，本文的目的是描述上下文（Loco）数据集中所谓的物流对象的重新评估，该数据集是内部径流学领域中的第一个用于对象检测的数据集。方法论：我们使用三个步骤的实验研究方法来评估机车数据集。首先，分析了GITHUB上的图像以更好地了解数据集。其次，Google Drive Cloud用于培训目的，以重新访问算法实现和培训。最后，如果可以与原始出版物相比，可以检查机车数据集，如果可以实现相同的培训结果。研究结果：在我们的研究中实现的平均平均精度是对象检测中的常见基准，比最初的研究作者的初步研究显着增加，获得了41％的幅度。但是，在叉车和托盘卡车的物体类型中特别看到改进潜力。独创性：本文介绍了Loco数据集的首次关键复制研究，以用于内凝学中的对象检测。它表明，基于机车的更好参数的培训甚至比原始出版物中提出的更高的精度。但是，还有进一步改善机车数据集的空间。
translated by 谷歌翻译
异常气道扩张，称为牵引支气管扩张，是特发性肺纤维化（IPF）的典型特征。体积计算断层扫描（CT）成像捕获IPF中逐渐变细的丢失。我们假设气道异常的自动化量化可以提供IPF疾病程度和严重程度的估算。我们提出了一种自动化计算管道，系统地将气道树木从基于深度学习的气道分割中划分到其裂片和世代分支，从而从胸部CT获得气道结构措施。重要的是，透气阻止通过厚波传播的杂散气道分支的发生，并通过图表搜索去除气道树中的环，克服现有气道骨架算法的限制。在14名健康参与者和14名IPF患者之间比较了透气段（跨空间）和透气曲线曲线之间的逐渐变化。 IPF患者中，Airway interberering显着降低，与健康对照相比，Airway曲线曲调显着增加。差异在下叶中最大标记，符合IPF相关损伤的典型分布。透气是一种开源管道，避免了现有的气道定量算法的限制，并具有临床解释性。自动化气道测量可能具有作为IPF严重程度和疾病程度的新型成像生物标志物。
translated by 谷歌翻译
在过去的几年中，卷积神经网络（CNN）在各种现实世界的网络安全应用程序（例如网络和多媒体安全）中表现出了有希望的性能。但是，CNN结构的潜在脆弱性构成了主要的安全问题，因此不适合用于以安全为导向的应用程序，包括此类计算机网络。保护这些体系结构免受对抗性攻击，需要使用挑战性攻击的安全体系结构。在这项研究中，我们提出了一种基于合奏分类器的新型体系结构，该结构将1级分类（称为1C）的增强安全性与在没有攻击的情况下的传统2级分类（称为2C）的高性能结合在一起。我们的体系结构称为1.5级（Spritz-1.5c）分类器，并使用最终密度分类器，一个2C分类器（即CNNS）和两个并行1C分类器（即自动编码器）构造。在我们的实验中，我们通过在各种情况下考虑八次可能的对抗性攻击来评估我们提出的架构的鲁棒性。我们分别对2C和Spritz-1.5c体系结构进行了这些攻击。我们研究的实验结果表明，I-FGSM攻击对2C分类器的攻击成功率（ASR）是N-Baiot数据集训练的2C分类器的0.9900。相反，Spritz-1.5C分类器的ASR为0.0000。
translated by 谷歌翻译
在这项研究中，我们利用高斯工艺，概率神经网络，自然梯度增强和分位数回归增强梯度的增强，以模拟激光制造过程的交付时间。我们在域中介绍概率建模，并根据不同能力比较模型。在现实生活数据中的模型之间进行比较，我们的工作具有许多用例和实质性业务价值。我们的结果表明，所有模型都超过了使用域经验的公司估计基准，并具有良好的经验频率校准。
translated by 谷歌翻译
神经网络理论中最有影响力的结果之一是通用近似定理[1,2,3]，其指出，连续函数可以通过单隐藏的层前馈神经网络近似地近似于任意精度。本文的目的是在这种精神上建立一个结果，用于近似通用离散时间线性动力系统 - 包括时变系统 - 通过经常性的神经网络（RNN）。对于线性时间不变（LTI）系统的子类，我们设计了该陈述的定量版本。具体而言，根据[4]，通过公制熵测量所考虑的LTI系统的复杂性，我们表明RNN可以最佳地学习 - 或识别系统理论Parlance - 稳定的LTI系统。对于通过差分方程表征其输入输出关系的LTI系统，这意味着RNN可以以度量熵最佳方式从输入输出迹线中学习差分方程。
translated by 谷歌翻译