机器学习正在从艺术和科学转变为可供每个开发人员使用的技术。在不久的将来,每个平台上的每个应用程序都将包含训练有素的模型,以编码开发人员无法创作的基于数据的决策。这提出了一个重要的工程挑战,因为目前数据科学和建模在很大程度上与标准软件开发过程脱钩。这种分离使得在应用程序内部的机器学习能力不必要地变得困难,并且进一步阻碍了开发人员将MLin置于首位。在本文中,我们介绍了ML .NET,这是一个在过去十年中在Microsoft开发的框架,用于应对在大型软件应用程序中轻松发布机器学习模型的挑战。我们提出了它的架构,并阐明了形成它的应用程序需求。具体而言,我们引入了DataView,它是ML .NET的核心数据抽象,它可以有效地,一致地捕获完整的预测管道,并在训练和推理生命周期中进行。我们结束了论文,对ML .NET进行了令人惊讶的有利的性能研究,与更多的接受者相比,并讨论了一些经验教训。
translated by 谷歌翻译
3D几何数据的生成模型出现在3D计算机视觉和图形的许多重要应用中。在本文中,我们关注具有共同拓扑结构的3D变形形状,例如人脸和人体。 Morphable Models是最初为这种形状创建紧凑表示的尝试之一;尽管这些模型具有有效性和简单性,但由于它们的线性公式,它们具有有限的表示能力。近来,已经提出了非线性可学习方法,尽管它们大多数采用中间表示,例如体素或2Dview的3D网格。在本文中,我们引入了卷积网格自动编码器和基于螺旋卷积算子的GAN架构,直接作用于主题并利用其基础几何结构。我们对卷积算子进行了分析,并与线性可变模型和最近提出的COMA模型相比,展示了3D形状数据集的最新结果。
translated by 谷歌翻译
支持向量数据描述(SVDD)是一种流行的异常检测技术。 SVDD分类器将整个数据空间划分为$ \ textit {inlier} $区域,该区域由$ \ textit {near} $ thetraining数据区域和$ \ textit {outlier} $区域组成,该区域由点$组成来自训练数据的\ textit {away} $。 SVDD分类器的计算需要核函数,高斯核是常见的选择。高斯核具有带宽参数,正确设置该参数的值以获得良好的结果是很重要的。小带宽导致过度拟合使得所得到的SVDD分类器高估了异常数量,而大带宽导致欠拟合并且无法检测到许多异常。在本文中,我们提出了一种新的无监督方法来反映高斯核带宽。我们的方法利用内核矩阵的低秩表示来建议内核带宽值,与现有的带宽选择方法相比具有竞争力。
translated by 谷歌翻译
我们在这里提出了一个总体框架和一个特定的算法,用于预测目的地,路线,或更一般地说是正在进行的旅程的模式,建立在[Y. Lassoued,J。Monteil,Y。Gu,G。Russo,R.Shorten和M. Mevissen,“用于路线和目的地预测的隐马尔可夫模型”,在IEEE国际智能交通系统会议上,2017年]。在所提出的框架中,已知的旅程模式被建模为随机过程,发出在旅程期间访问的路段,并且通过在给定到目前为止访问的路段的情况下更新每个旅程模式的后验概率来预测正在进行的旅程。在此贡献中,我们使用马尔可夫链作为旅程模式的模型,并且一旦后验概率中的一个交叉预定义阈值,则将预测视为最终。尽管两者都很简单,但在合成数据集上运行的示例证明了所做预测的高精度。
translated by 谷歌翻译
We address the multi-focus image fusion problem, where multiple images captured with different focal settings are to be fused into an all-in-focus image of higher quality. Algorithms for this problem necessarily admit the source image characteristics along with focused and blurred features. However, most sparsity-based approaches use a single dictionary in focused feature space to describe multi-focus images, and ignore the representations in blurred feature space. We propose a multi-focus image fusion approach based on sparse representation using a coupled dictionary. It exploits the observations that the patches from a given training set can be sparsely represented by a couple of overcomplete dictionaries related to the focused and blurred categories of images and that a sparse approximation based on such coupled dictionary leads to a more flexible and therefore better fusion strategy than the one based on just selecting the sparsest representation in the original image estimate. In addition, to improve the fusion performance, we employ a coupled dictionary learning approach that enforces pairwise correlation between atoms of dictionaries learned to represent the focused and blurred feature spaces. We also discuss the advantages of the fusion approach based on coupled dictionary learning, and present efficient algorithms for fusion based on coupled dictionary learning. Extensive experimental comparisons with state-of-the-art multi-focus image fusion algorithms validate the effectiveness of the proposed approach. Index Terms Sparse representations, coupled dictionary learning, image fusion, multi-focus image. The authors are with Aalto University, Dept. Signal Processing and Acoustics, FI-00076, AALTO, Finland. E-mails: farshad.ghorbaniveshki@aalto.fi and svor@ieee.org
translated by 谷歌翻译