自我监督的学习表现出了巨大的希望,因为它可以在没有完全采样的数据的情况下训练深度学习MRI重建方法。当前用于物理学指导的重建网络的自我监督的学习方法分裂获得了两个不相交的数据,其中一种用于独立网络中的数据一致性(DC),另一个用于定义培训损失。在这项研究中,我们提出了一种改进的自我监督学习策略,该策略更有效地使用获得的数据来训练物理学指导的重建网络,而无需数据完全采样的数据。提出的通过数据下采样(SSDU)对所提出的多掩码自我监督的学习(SSDU)应用于获得的测量结果,将其分为每个训练样本的多对不相交集,而使用这些对DC单位和DC单位和其中一对,其他用于定义损失的,从而更有效地使用了不足采样的数据。多面罩SSDU应用于完全采样的3D膝盖上,并前瞻性地采样3D脑MRI数据集,用于各种加速度和图案,并与CG-Sense和单膜ssdu dl-MRI以及受监督的DL-MRI以及当时的DL-MRI进行比较。提供了完全采样的数据。膝盖MRI的结果表明,提出的多面罩SSDU胜过SSDU,并与受监督的DL-MRI紧密相关。一项临床读者的研究进一步将多面罩SSDU在SNR和混叠伪影方面高于监督的DL-MRI。大脑MRI的结果表明,与SSDU相比,多面罩SSDU可以达到更好的重建质量。读者的研究表明,与单罩SSDU相比,r = 8时的多面膜SSDU显着改善了重建,r = 8,以及r = 2时的CG-Sense。
translated by 谷歌翻译
在本文中,我们提出了一个样本复杂性,以从嘈杂的样本中学习单纯形。给出了$ n $的数据集,其中包括i.i.d.样品从$ \ mathbb {r}^k $中的未知任意单纯形上的均匀分布中得出,其中假定样品被任意幅度的加性高斯噪声损坏。我们提出了一种策略,该策略可以输出一个单纯概率,总变化距离为$ \ epsilon + o \ left(\ mathrm {snr}^{ - 1} \ right)$从true Simplex中,对于任何$ \ Epsilon> 0 $。我们证明,要接近True Simplex,就足以拥有$ n \ ge \ tilde {o} \ left(k^2/\ epsilon^2 \ right)$ samples。在这里,SNR代表信噪比,可以看作是单纯形直径与噪声的标准偏差的比率。我们的证明是基于样品压缩技术的最新进步,这些进步已经显示出在高维高斯混合模型中的密度估计的紧密范围方面的承诺。
translated by 谷歌翻译
The number of international benchmarking competitions is steadily increasing in various fields of machine learning (ML) research and practice. So far, however, little is known about the common practice as well as bottlenecks faced by the community in tackling the research questions posed. To shed light on the status quo of algorithm development in the specific field of biomedical imaging analysis, we designed an international survey that was issued to all participants of challenges conducted in conjunction with the IEEE ISBI 2021 and MICCAI 2021 conferences (80 competitions in total). The survey covered participants' expertise and working environments, their chosen strategies, as well as algorithm characteristics. A median of 72% challenge participants took part in the survey. According to our results, knowledge exchange was the primary incentive (70%) for participation, while the reception of prize money played only a minor role (16%). While a median of 80 working hours was spent on method development, a large portion of participants stated that they did not have enough time for method development (32%). 25% perceived the infrastructure to be a bottleneck. Overall, 94% of all solutions were deep learning-based. Of these, 84% were based on standard architectures. 43% of the respondents reported that the data samples (e.g., images) were too large to be processed at once. This was most commonly addressed by patch-based training (69%), downsampling (37%), and solving 3D analysis tasks as a series of 2D tasks. K-fold cross-validation on the training set was performed by only 37% of the participants and only 50% of the participants performed ensembling based on multiple identical models (61%) or heterogeneous models (39%). 48% of the respondents applied postprocessing steps.
translated by 谷歌翻译
社交网络(SN)是一个由代表它们之间相互作用的群体组成的社会结构。 SNS最近被广泛使用,随后已成为产品推广和信息扩散的合适平台。 SN中的人们直接影响彼此的利益和行为。 SNS中最重要的问题之一是,如果选择将它们作为网络扩散场景的种子节点选择,那么他们可以以级联的方式对网络中的其他节点产生最大影响。有影响力的扩散器是人们,如果他们被选为网络中出版问题中的种子,那么该网络将拥有最多了解该扩散实体的人。这是称为影响最大化(IM)问题的文献中的一个众所周知的问题。尽管已证明这是一个NP完整的问题,并且在多项式时间内没有解决方案,但有人认为它具有子模块化功能的属性,因此可以使用贪婪的算法来解决。提出改善这种复杂性的大多数方法都是基于以下假设:整个图都是可见的。但是,此假设不适合许多真实世界图。进行了这项研究,以扩展使用链接预测技术与伪可见性图的电流最大化方法。为此,将一种称为指数随机图模型(ERGM)的图生成方法用于链接预测。使用斯坦福大学SNAP数据集的数据对所提出的方法进行了测试。根据实验测试,所提出的方法在现实世界图上有效。
translated by 谷歌翻译
对网络中的用户如何根据邻居的意见更新他们的意见的理解吸引了网络科学领域的极大兴趣,并且越来越多的文献认识到了这个问题的重要性。在这篇研究论文中,我们提出了有指导网络中意见形成的新动态模型。在此模型中,每个节点的意见被更新为邻居意见的加权平均值,而权重代表社会影响力。我们将一种新的中心度度量定义为基于影响和整合性的社会影响度量。我们使用两个意见形成模型来衡量这种新方法:(i)degroot模型和(ii)我们自己提出的模型。先前发表的研究没有考虑合格,并且仅考虑计算社会影响时节点的影响。在我们的定义中,与高度和较低程度的节点相关的较低度和高度的节点具有较高的中心性。作为这项研究的主要贡献,我们提出了一种算法,用于在社交网络中找到一小部分节点,该节点可能会对其他节点的观点产生重大影响。关于现实世界数据的实验表明,所提出的算法显着优于先前发布的最新方法。
translated by 谷歌翻译
在本研究中,飞行射击数,飞行高度,燃料类型和进气温的影响对推力燃油消耗,推力,进气质量流量,热和推进效率的影响,以及发驱动效率和效率研究了F135 PW100发动机中的充电破坏率。根据第一阶段获得的结果,为了对上述发动机周期的热力学性能进行建模,飞行仪数和飞行高度分别被认为分别为2.5和30,000 m。由于在高空飞行条件下超音速飞行的运行优势以及氢气的较高推力。因此,在第二阶段,考虑到上述飞行条件,已经获得了智能模型,以预测使用深度学习方法的输出参数(即推力,推力特定的燃料消耗和整体燃油效率)。在达到的深神经模型中,高压涡轮机,风扇压力比,涡轮机入口温度,进气温度和旁路比的压力比被视为输入参数。提供的数据集随机分为两组:第一组包含6079个用于模型训练的样本,第二组包含1520个用于测试的样本。特别是,ADAM优化算法,均方根误差的成本函数以及整流线性单元的活动函数用于训练网络。结果表明,深神经模型的误差百分比等于5.02%,1.43%和2.92%,以预测推力,推力特定的燃油消耗和整体自我效率,这表明已达到的模型在估计估算中的成功成功本问题的输出参数。
translated by 谷歌翻译
为了克服多个对象跟踪任务中的挑战,最近的算法将交互线索与运动和外观特征一起使用。这些算法使用图形神经网络或变压器来提取导致高计算成本的交互功能。在本文中,提出了一种基于几何特征的新型交互提示,旨在检测遮挡和重新识别计算成本低的丢失目标。此外,在大多数算法中,摄像机运动被认为可以忽略不计,这是一个强有力的假设,并不总是正确的,并且导致目标转换或目标不匹配。在本文中,提出了一种测量相机运动和删除其效果的方法,可有效地降低相机运动对跟踪的影响。该算法在MOT17和MOT20数据集上进行了评估,并在MOT20上实现了MOT17的最先进性能和可比较的结果。该代码也可以公开使用。
translated by 谷歌翻译
量化人体取向的安全性是人类机器人相互作用的重要问题。了解人类运动的身体限制不断变化,可以改善对安全人类运动的检查,并通过实时风险评估带来有关人体定向的稳定性和正常性的基本信息。此外,这些信息可以用于合作机器人和监视系统中,以更自由地评估和互动。此外,工作空间区域可以更确定性地具有安全性的身体特征。基于这种动机,我们提出了一种新型的预测安全模型(PSM),该模型依赖于人类胸部的惯性测量单元的信息。 PSM涵盖了一个3型弹簧型摆锤模型,该模型基于安全运动数据集预测人类运动。通过将安全数据集和弹性弹簧抑制模型集成的方式,该方法可以在建议的方法可以在不同的安全水平下实现复杂的运动来获得人类的估计安全取向。我们在现实情况下进行了实验,以验证我们的新型模型。这种新颖的方法可以在不同的指导/辅助机器人和健康监测系统中使用,以支持和评估人类状况,尤其是长者。
translated by 谷歌翻译
对话研究的最终目标是开发可以在交互式设置中有效使用的系统。为此,我们在第9对话系统技术挑战中介绍了对话框的交互式评估。该曲目由两个子任务组成。第一个子任务涉及建立知识接地的响应生成模型。第二个子任务旨在通过与真实用户的交互式设置进行评估,旨在将对话模型扩展到静态数据集之外。我们的曲目挑战参与者开发强大的响应生成模型,并探索将它们扩展到与真实用户的来回互动的策略。从静态语料库到交互式评估的发展引入了独特的挑战,并促进了对开放域对话系统的更全面评估。本文概述了曲目,包括方法和结果。此外,它提供了有关如何最佳评估开放域对话框模型的见解
translated by 谷歌翻译
我们介绍了Dreamento(Drea Engineering Toolbox),这是一种使用Zmax(Hypnodyne Corp.,Sofia,Bulgaria,Bulgaria)的开源Python Python套件,用于梦想工程。 DREAMENTO的主要功能是(1)图形用户界面(GUI)(2)(2)中的实时记录,监视,分析和刺激以及所得数据的离线后处理。 Dreamento实时能够(1)记录数据,(2)可视化数据,包括功率光谱分析和导航,(3)自动睡眠评分,(4)感觉刺激(视觉,听觉,触觉), (5)建立文本到语音通信,以及(6)管理自动和手动事件的注释。离线功能有助于其后处理获得的数据,具有重新装修可穿戴数据并将其与不可磨损记录的模式(例如肌电图)相结合的功能。尽管Dreamento的主要应用是用于(清醒)梦想研究的,但它愿意适应其他目的和测量方式。
translated by 谷歌翻译