行为决策理论旨在解释人类行为。他们可以对它进行预测吗?提出了一个用于预测基础组成决策任务中人类选择的开放式比赛。结果表明,将某些行为理论作为机器学习系统中的特征进行整合可以提供最佳预测。令人惊讶的是,最有用的预测理论建立在人类和动物学习的基本属性上,并且与主流决策理论非常不同,主流决策理论关注于偏离理性选择。此外,我们发现理论特征不仅应基于定性行为见解(例如损失厌恶),还应基于功能描述模型(例如ProspectTheory)产生的定量行为前瞻性。我们的分析规定了推导人类决策的可解释的,有用的预测的方法。
translated by 谷歌翻译
我们介绍了一种模拟表面属性的方法,用于控制每天场景中的反弹。我们的模型学习端到端,从传感器输入开始,预测后弹跳轨迹并推断出两个基本物理属性,它们控制着弹跳 - 恢复原状和有效碰撞法线。我们的模型Bounce and Learn包含两个模块 - 物理推理模块(PIM)和视觉推理模块(VIM)。 VIM学习在给定单个静止图像的情况下推断场景中的位置的物理参数,而PIM学习在给定物理参数和观察到的预碰撞3D轨迹的情况下为预测任务建模物理相互作用。为了实现我们的结果,我们将包含5K RGB-D视频的Bounce数据集引入到包括家庭和办公室在内的日常场景中探测不同形状和材料的表面。我们提出的模型从我们收集的实际反弹数据中学习,并通过简单物理模拟的附加信息进行自我训练。我们在新收集的数据集上显示,模型优于基线,包括与牛顿物理学的轨迹拟合,预测反弹后轨迹和推断场景的物理特性。
translated by 谷歌翻译
强化学习(RL)算法已经在复杂任务上展示了有希望的结果,但是通常需要不切实际的样本数量,因为它们从头开始学习。 Meta-RL旨在通过以前的任务中的经验来解决这一挑战,以便更快地解决新任务。然而,在实践中,这些算法在元培训过程中通常还需要大量的政策经验,这使得它们不适用于很多问题。为此,我们建议通过模仿解决以前看到的任务的专家政策来学习强化学习程序。这涉及嵌套优化,在内部循环中使用RL,在外部循环中使用监督模仿学习。由于外循环模仿学习可以通过非政策数据来完成,我们可以在元学习样本效率方面取得显着的进步。在本文中,我们展示了这种一般的想法可以用于元强化学习和从多任务演示数据学习快速RL程序。前者的结果是,在元培训期间,可以利用针对先前任务学习的策略而无需大量的政策数据,而在人员易于提供示范的情况下,这种方法特别有用。在许多连续控制meta-RL问题中,与先前的工作相比,我们证明了meta-RL样本效率的显着提高,以及通过视觉观察扩展到域的能力。
translated by 谷歌翻译
目的:用于骨盆截骨术的现有导航系统使用具有外部基准的光学系统。我们建议使用X射线导航来估计没有基准点的髋臼周围碎片。方法:开发A2D / 3D配准管道以恢复片段姿态。该管道通过广泛的模拟研究和6个尸体测试进行了测试。在透视图像中使用截骨边界,术前计划被精炼,以更准确地匹配术中形状。结果:在模拟中,平均碎片姿势误差为1.3 {\ deg} /1.7 mm,计划碎片与术中碎片匹配,2.2 {\ deg当计划没有更新以匹配真实形状时,/ 2.1毫米,当术中估计碎片形状时,计划为1.9 {\ deg} /2.0毫米。在尸体实验中,当记录实际碎片形状,术前计划和术前计划时,平均姿势误差为2.2 {\ deg} /2.2 mm,3.8 {\ deg} /2.5 mm和3.5 {\ deg} /2.2mm计划分别。在模拟和尸体实验中,对于所有碎片形状,侧中心边缘角的平均误差小于2 {\ deg}。结论:所提出的管道能够在临床确定的长期关节生存能力范围内准确报告股骨头覆盖。意义:人类解释碎片姿势具有挑战性,通常仅限于围绕单个解剖轴的旋转。所提出的管道提供了关于所有解剖轴的术中估计的刚度姿势,与最小侵入性切口相容,并且不依赖于外部基准。
translated by 谷歌翻译
在本文中,我们从RGB视频中解决了3D对象网格重建的问题。我们的方法结合了最佳的多视图几何和数据驱动方法进行三维重建,通过优化对象网格形成多视图光度一致性,同时用ashape先前约束网格变形。我们将其视为每个网面投影的分段图像对齐问题。我们的方法允许我们从光度误差更新形状参数,而无需任何深度或掩模信息。此外,我们展示了如何通过从虚拟角度进行光栅化来避免零光度梯度的简并性。我们使用我们的光度网格优化来展示合成和现实世界视频的3D对象网格重建结果,无论是网状生成网络还是传统的表面重建管道,无需繁重的手工处理,都无法实现。
translated by 谷歌翻译
我们提出了一种自我监督的方法来训练卷积神经网络,用于从单眼内窥镜检查数据进行密集深度估计,而无需对解剖或阴影进行先验建模。我们的方法仅需要单视内窥镜视频和多视图立体方法,例如,运动的结构,以稀疏的方式进行学习。因此,我们的方法需要在训练和应用阶段进行手动标记或患者计算机断层扫描(CT)扫描。在使用CT scansas groundtruth的跨患者实验中,所提出的方法实现了亚毫米波均方误差。在最近针对体内窦内窥镜检查数据的自然视频设计的自我监督深度估计方法的比较研究中,我们证明了所提出的方法优于前一种方法的大幅度边缘。这项工作的源代码可在线公开获取:http://github.com/lppllppl920/EndoscopyDepthEstimation-Pytorch。
translated by 谷歌翻译
黑色素瘤是美国十大最常见的癌症之一。早期检测是生存的重要因素,但癌症常常在致命阶段被诊断出来。深度学习有可能提高癌症检出率,但其对黑色素瘤检测的适用性受到可用皮肤病变数据库的限制,这些数据库很小,严重失衡,并包含遮挡图像。我们提出了一个完整的深度学习系统forlesion细分和分类,利用网络专业indata净化和增强。它包含用于恢复图像遮挡的处理单元和用于填充稀缺类别的数据生成单元,或者等效地创建具有预定义病变类型的虚拟患者。我们凭经验验证了我们的方法,并显示出优于共同基线的优异性能。
translated by 谷歌翻译
从2017年到2018年,通过PubMedsearch使用关键词“机器学习”找到的科学出版物数量增加了46%(4,317到6,307)。涉及机器学习,人工智能(AI)和大数据的研究结果引起了人们的注意在西方医学努力减少成本增加和公众要求追究责任的时候,医疗保健从业者,医疗保健经理和公众都是如此。机器学习的医疗保健应用中涉及的复杂性以及相关数据集的大小为许多研究人员提供了无可争议的机会,以相对较少的监督来满足这些需求。在自然医学论文中,“人工智能临床医生在重症监护中学习了脓毒症的最佳治疗策略”,Komorowski和他的研究者提出了训练人工智能临床医生用血管加压药和静脉输液治疗败血症患者的方法。在这篇文章中,我们将仔细研究本文中提出的主张。特别是,我们将研究他们的AI临床医生建议的个人治疗概况,以了解他们的AI临床医生打算如何在个人水平上治疗患者。
translated by 谷歌翻译
基于X射线图像的手术工具导航速度快,并提供深层结构的准确图像。通常,通过基于强度的3D图像或3D或3D模型到2D光线的3D / 3D配准,可以准确地实现相对于X射线照相机恢复工具的6DOF刚性姿势和变形。然而,基于图像的2D / 3D配准的捕获范围不方便地小,这表明自动且稳健的初始化策略是至关重要的。该手稿描述了通过在X射线图像中执行灵巧手术工具的并行分割和定位,利用成像对象的语义信息来初始化基于图像的配准的捕获范围内的2D / 3D配准的第一个steptowards。我们提出了一种基于学习的策略,用于在X射线图像中同时定位和分割出光学手术工具,并证明在合成和离体数据方面具有良好的性能。我们目前正在研究使用由所提出的网络提取的语义信息来可靠且稳健地初始化基于图像的2D / 3D配准的方法。虽然基于图像的2D / 3D配准已经成为CAIcommunity的一个明显焦点,但其强大的初始化(尽管是关键的)已经在很大程度上被忽略了。本手稿讨论了基于学习的图像对象上的语义信息检索,作为这种初始化的垫脚石,因此可能是IPCAI社区感兴趣的。由于结果仍然是初步的,只关注本地化,我们的目标是Long Abstractcategory。
translated by 谷歌翻译
深度递归神经网络(RNN)在许多序列分类任务中得到普及。除了为每个数据实例预测正确的类之外,数据科学家还希望了解数据中的差异因素在学习过程中对分类的贡献。我们提出了一种可视化分析方法,通过揭示所有数据实例的RNN注意力,它们在这些序列中的时间位置以及每个值级别的变量属性来促进此任务。我们用现实世界的数据集证明,我们的方法可以帮助数据科学家从训练结果中理解深度RNN中的这种动态,从而指导他们的建模过程。
translated by 谷歌翻译