基于细粒的草图的图像检索（FG-SBIR）解决了在给定查询草图中检索特定照片的问题。然而，它的广泛适用性受到大多数人为大多数人绘制完整草图的事实的限制，并且绘图过程经常需要时间。在这项研究中，我们的目标是用最少数量的笔划检索目标照片（不完整草图），命名为vs-the-fry fg-sbir（bhunia等人.2020），它一旦尽快开始检索每个行程绘图开始。我们认为每张照片的草图绘图集中的这些不完整草图之间存在显着相关性。为了了解照片和ITS不完整的草图之间共享的更高效的联合嵌入空间，我们提出了一个多粒度关联学习框架，进一步优化了所有不完整草图的嵌入空间。具体地，基于草图的完整性，我们可以将完整的草图插曲分为几个阶段，每个阶段对应于简单的线性映射层。此外，我们的框架指导了当前草图的矢量空间表示，以近似速写，以实现草图的检索性能，以利用更多的笔触来接近草图的草图。在实验中，我们提出了更现实的挑战，我们的方法在两个公开的细粒草图检索数据集上实现了最先进的方法和替代基线的卓越的早期检索效率。
translated by 谷歌翻译
颗粒球计算是一种有效，坚固，可扩展，可扩展和粒度计算的学习方法。颗粒球计算的基础是颗粒球产生方法。本文提出了一种使用该划分加速粒度球的方法来代替$ k $ -means。它可以大大提高颗粒球生成的效率，同时确保与现有方法类似的准确性。此外，考虑粒子球的重叠消除和一些其他因素，提出了一种新的颗粒球生成的新自适应方法。这使得在真实意义上的无参数和完全自适应的颗粒球生成过程。此外，本文首先为颗粒球覆盖物提供了数学模型。一些真实数据集的实验结果表明，所提出的两个颗粒球生成方法具有与现有方法相似的准确性，而实现适应性或加速度。
translated by 谷歌翻译
Pawlak粗糙集和邻居粗糙集是两个最常见的粗糙设置理论模型。 Pawlawk可以使用等价类来表示知识，但无法处理连续数据;邻域粗糙集可以处理连续数据，但它失去了使用等价类代表知识的能力。为此，本文介绍了基于格兰拉球计算的粒状粗糙集。颗粒球粗糙集可以同时代表佩皮克粗集，以及邻域粗糙集，以实现两者的统一表示。这使得粒度球粗糙集不仅可以处理连续数据，而且可以使用对知识表示的等价类。此外，我们提出了一种颗粒球粗糙集的实现算法。基准数据集的实验符合证明，由于颗粒球计算的鲁棒性和适应性的组合，与Pawlak粗糙集和传统的邻居粗糙相比，粒状球粗糙集的学习准确性得到了大大提高放。颗粒球粗糙集也优于九流行或最先进的特征选择方法。
translated by 谷歌翻译
基于参考的超分辨率（REFSR）在使用外部参考（REF）图像产生现实纹理方面取得了重大进展。然而，现有的REFSR方法可以获得与输入大小一起消耗二次计算资源的高质量对应匹配，限制其应用程序。此外，这些方法通常遭受低分辨率（LR）图像和REF图像之间的比例错位。在本文中，我们提出了一种加速的多尺度聚合网络（AMSA），用于基于参考的超分辨率，包括粗略嵌入式斑块（CFE-PACKPMATCH）和多尺度动态聚合（MSDA）模块。为了提高匹配效率，我们设计一种具有随机样本传播的新型嵌入式PACKMTH方案，其涉及具有渐近线性计算成本的端到端训练到输入大小。为了进一步降低计算成本和加速会聚，我们在构成CFE-PACKMATCH的嵌入式PACKMACTH上应用了粗略策略。为了完全利用跨多个尺度的参考信息并增强稳定性的稳定性，我们开发由动态聚合和多尺度聚合组成的MSDA模块。动态聚合通过动态聚合特征来纠正轻微比例的错位，并且多尺度聚合通过融合多尺度信息来为大规模错位带来鲁棒性。实验结果表明，该拟议的AMSA对定量和定性评估的最先进方法实现了卓越的性能。
translated by 谷歌翻译
在许多真实的场景中，我们经常处理随着时间的推移顺序收集的流数据。由于环境的非静止性，流数据分布可能以不可预测的方式改变，这被称为概念漂移。为了处理概念漂移，先前的方法首先检测概念漂移的时间何时/其中，然后适应模型以适应最新数据的分布。然而，仍然存在许多情况下，环境进化的一些潜在因素是可预测的，使得可以模拟流数据的未来概念漂移趋势，而在以前的工作中没有完全探索这种情况。在本文中，我们提出了一种新型方法DDG-DA，可以有效地预测数据分布的演变并提高模型的性能。具体而言，我们首先训练预测器来估计未来的数据分布，然后利用它来生成训练样本，最后在生成的数据上培训模型。我们对三个现实世界任务进行实验（预测股票价格走势，电力负荷和太阳辐照度），并获得多种广泛使用的模型的显着改进。
translated by 谷歌翻译
非本地注意力（NLA）通过利用自然图像中的内在特征相关性来带来单幅图像超分辨率（SISR）的显着改进。然而，NLA提供嘈杂的信息大量的权重，并且相对于输入大小消耗二次计算资源，限制其性能和应用。在本文中，我们提出了一种新的高效非局部对比度注意（Enca），以执行远程视觉建模并利用更相关的非局部特征。具体而言，Enca由两部分组成，有效的非本地注意力（Enla）和稀疏聚合。 ENLA采用内核方法来近似指数函数并获得线性计算复杂度。对于稀疏聚合，我们通过放大因子乘以专注于信息特征的输入，但近似的方差呈指数增加。因此，应用对比学习以进一步分离相关和无关的特征。为了展示Enca的有效性，我们通过在简单的骨干中添加一些模块来构建称为有效的非本地对比网络（ENLCN）的架构。广泛的实验结果表明，Enlcn对定量和定性评估的最先进方法达到了卓越的性能。
translated by 谷歌翻译
磁共振成像（MRI）是一种重要的非侵入性临床工具，可以产生高分辨率和可重复的图像。然而，高质量的MR图像需要长时间的扫描时间，这导致患者的疲惫和不适，由于患者的自愿运动和非自愿的生理运动，诱导更多人工制品。为了加速扫描过程，通过K空间欠采样和基于深度学习的重建的方法已经推广。这项工作引进了SwinMR，这是一种基于新型的Swin变压器的快速MRI重建方法。整个网络由输入模块（IM）组成，特征提取模块（FEM）和输出模块（OM）。 IM和OM是2D卷积层，并且FEM由级联的残留的Swin变压器块（RSTBS）和2D卷积层组成。 RSTB由一系列SWIN变压器层（STL）组成。 STL的Shifted Windows多头自我关注（W-MSA / SW-MSA）在移位的窗口中执行，而不是整个图像空间中原始变压器的多头自我关注（MSA）。通过使用灵敏度图提出了一种新的多通道损耗，这被证明是为了保留更多纹理和细节。我们在Calgary-Campinas公共大脑MR DataSet中进行了一系列比较研究和消融研究，并在多模态脑肿瘤细分挑战2017年数据集中进行了下游分段实验。结果表明，与其他基准方法相比，我们的SwinMR实现了高质量的重建，并且它在噪音中断和不同的数据集中显示了不同的遮光罩掩模的稳健性。该代码在https://github.com/ayanglab/swinmr公开使用。
translated by 谷歌翻译
心肌活力的评估对于患有心肌梗塞的患者的诊断和治疗管理是必不可少的，并且心肌病理学的分类是本评估的关键。这项工作定义了医学图像分析的新任务，即进行心肌病理分割（MYOPS）结合三个序列的心脏磁共振（CMR）图像，该图像首次与Mycai 2020一起在Myops挑战中提出的。挑战提供了45个配对和预对准的CMR图像，允许算法将互补信息与三个CMR序列组合到病理分割。在本文中，我们提供了挑战的详细信息，从十五个参与者的作品调查，并根据五个方面解释他们的方法，即预处理，数据增强，学习策略，模型架构和后处理。此外，我们对不同因素的结果分析了结果，以检查关键障碍和探索解决方案的潜力，以及为未来的研究提供基准。我们得出结论，虽然报告了有前途的结果，但研究仍处于早期阶段，在成功应用于诊所之前需要更深入的探索。请注意，MyOPS数据和评估工具继续通过其主页（www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20 /）注册注册。
translated by 谷歌翻译
随着深度学习技术扩展到现实世界推荐任务，已经开发出许多深度神经网络的协作滤波（CF）模型基于各种神经结构，例如多层的神经架构将用户项目交互项目投影到潜伏特征空间中Perceptron，自动编码器和图形神经网络。然而，大多数现有的协作过滤系统不充分设计用于处理缺失的数据。特别是，为了在训练阶段注入负信号，这些解决方案很大程度上依赖于未观察到的用户项交互，并且简单地将它们视为负实例，这带来了推荐性能下降。为了解决问题，我们开发了一个协作反射增强的AutoEncoder网络（Cranet），它能够探索从观察到和未观察的用户项交互的可转移知识。 Cranet的网络架构由具有反射接收器网络的集成结构和信息融合自动统计器模块形成，其推荐框架具有在互动和非互动项目上编码隐式用户的成对偏好的能力。另外，基于参数正规化的捆绑重量方案旨在对两级颅骨模型进行鲁棒联合训练。我们终于在对应于两个推荐任务的四个不同基准数据集上进行了实验验证了Cranet，以表明，与各种最先进的推荐技术相比，脱叠用户项交互的负信号提高了性能。我们的源代码可在https://github.com/akaxlh/cranet上获得。
translated by 谷歌翻译
我们介绍了一种新颖的屏蔽图AutoEncoder（MGAE）框架，以在图形结构数据上执行有效的学习。从自我监督学习中欣识见，我们随机掩盖了大部分边缘，并在训练期间尝试重建这些缺失的边缘。 Mgae有两个核心设计。首先，我们发现掩蔽了输入图结构的高比率，例如70 \％$，产生一个非凡和有意义的自我监督任务，使下游应用程序受益。其次，我们使用图形神经网络（GNN）作为编码器，以在部分掩蔽的图表上执行消息传播。为了重建大量掩模边缘，提出了一种定制的互相关解码器。它可以捕获多粒度的锚边的头部和尾部节点之间的互相关。耦合这两种设计使MGAE能够有效且有效地培训。在多个开放数据集（Planetoid和OGB基准测试）上进行了广泛的实验，证明MGAE通常比链接预测和节点分类更好地表现优于最先进的无监督竞争对手。
translated by 谷歌翻译