我们的艺术家和机器学习研究团队设计了一种创造性算法,可以生成真正的雕塑艺术品。这些艺术品不会模仿任何给定的形式,也不能轻易归类为数据集类别。我们的方法将DeepDream从图像扩展到3D点云。提出的算法,Amalgamated DeepDream(ADD),利用点云的属性来创建比天真扩展更好的对象.ADD为机器的创造力提供了希望,推动艺术家探索新方法或材料的创造力,并创造新的类型而不是在onegenre中创建现有表单或样式的变体。例如,从现实主义到抽象表现主义,或极简主义。最后,我们展示了基于ADD创建的点云进行3D打印的雕塑。
translated by 谷歌翻译
在本文中,我们推导出具有子高斯范数的随机向量的浓度不等式(子高斯随机向量和非标准随机向量的推广),这些随机向量紧靠对数因子。
translated by 谷歌翻译
在本文中,我们开发了一种称为分层预测网络(HPNet)的分层网络模型,以了解时空记忆如何在视觉皮层层次结构中的循环电路中被学习和编码,以预测未来的视频帧。这种神经启发的模型在综合分析框架中运作。它包含一个前馈路径,用于计算和编码连续复杂度的时空特征,以及连续级别的反馈路径,以便将它们的解释投影到下面的级别。在每个级别内,前馈路径和反馈路径在LSTM模块中实例化的循环门控电路中进行交互,以生成对输入信号的预测或解释。该网络通过最小化其在层次结构的每个级别上的输入信号的预测误差来学习其世界的内部模型。我们发现,即使在最早的模块中,网络中的层次交互也增加了沿着层次结构的单元的群体代码中的全局运动模式的语义聚类。这有助于学习运动模式之间的关系,从而在基准数据集中的长程视频序列预测中产生最先进的性能。网络模型自动再现在视觉皮层中观察到的各种预测抑制和熟悉抑制神经生理现象,表明分层预测可能确实是视觉皮层中表征学习的重要原则。
translated by 谷歌翻译
最近关于数据库自然语言接口(NLIDB)的工作引起了人们的极大关注。 NLIDB允许用户使用自然语言而不是类似SQL的查询语言来搜索数据库。在保存用户免于学习查询语言的同时,与NLIDB的多圈交互通常涉及多个查询,其中上下文信息对于理解用户的查询意图是至关重要的。在本文中,我们解决了典型的上下文理解问题,称为后续查询分析。尽管存在不公正性,但由于两个主要障碍,后续查询分析尚未得到很好的研究:后续查询场景的多种性质以及缺乏高质量的数据集。我们的工作总结了典型的后续查询场景,并在120个表格上提供了一个新的FollowUp数据集,其中包含$ 1000 $查询三元组。此外,我们提出了一种新方法FANDA,它考虑了查询的结构,并采用了弱监督的多边缘学习的排名模型。 。 FollowUp的实验结果证明了FANDA在多个指标上的多个基线的优越性。
translated by 谷歌翻译
通过具有诸如DeepFashion之类的注释的基准来推动对时尚图像的理解,其标签包括服装类别,地标和消费者 - 商业图像对。然而,DeepFashion有一些不可忽视的问题,例如每个图像的单个衣服项,稀疏的标记(仅4~8个),并且没有每像素掩模,这使得它与现实世界的场景有很大的差距。我们通过展示DeepFashion2来解决这个问题,以解决这些问题。它是四个任务的多功能基准,包括衣服检测,姿势估计,分割和检索。它有801K服装项目,每个项目都有丰富的注释,如风格,规模,视角,遮挡,边界框,密集的地标和面具。还有873K商业 - 消费者服装对。提出了一个强大的基线,称为MatchR-CNN,它建立在Mask R-CNN的基础上,以端到端的方式解决上述四个任务。 DeepFashion2中的不同标准进行了广泛的评估。
translated by 谷歌翻译
最近,深度学习已经改变了许多领域,包括医学成像。受生物神经元多样性的启发,我们小组提出了二次神经元,其中当前人工神经元中的内积被替换为输入的二次运算,从而增强了单个神经元的能力。沿着这个方向,我们有动力去评估代表性网络架构中的二次神经元的功率,以及基于二次神经元的深度学习。在这方面,我们先前的理论研究已经显示出二次神经元和网络的重要优点。在本文中,我们使用二次神经元构造编码器 - 解码器结构,称为二次自动编码器,并将其应用于低剂量CT噪声。然后,我们对Mayo低剂量CT数据集进行实验,以证明二次自动编码器产生更好的去噪性能。
translated by 谷歌翻译
随着移动设备变得越来越流行,移动游戏已经成为一个充满希望的市场,拥有数十亿美元的收入。世界各地已开发出各种移动游戏平台和服务。对这些平台和服务的一个关键挑战是了解移动游戏中的流失行为,这通常涉及微观层面(应用程序和特定用户之间)和宏观层面(应用程序及其所有用户之间)的流失。准确的微观流失预测和宏观级别的流失排名将有利于许多利益相关者,如游戏开发商,广告商和平台运营商。在本文中,我们提出了第一个大规模的流失分析平板电脑分析,它支持微观流失预测和宏观流程排序。对于微观流失预测,鉴于建立在传统机器学习模型上的最先进方法的共同限制,我们设计了一种新颖的半监督和归纳嵌入模型,它共同学习预测功能和用户的嵌入功能 - 应用关系。我们通过深度神经网络对这两个函数进行建模,采用独特的边缘嵌入技术,能够捕获背景信息和关系动态。我们还设计了一种novelattributed随机游走技术,该技术考虑了拓扑性和属性相似性。为了解决宏观级别的流失排名,我们建议构建一个关联图,将估计的微观流失概率作为边权重,并在图上调整链路分析算法。我们设计了一个简单的算法SimSum,并采用了两个更先进的算法PageRank和HITS。我们针对两级churnanalysis问题的解决方案的性能是根据从SamsungGame Launcher平台收集的真实数据进行评估的。
translated by 谷歌翻译
在本文中,我们的目标是在遥感社区中解决一般而有趣的跨模态特征学习问题 - 有限量的高度辨别力(例如,高光谱)训练数据能够大量改进分类任务的性能极端判别(例如,多光谱)数据?传统的半监督流形对准方法对于这样的问题不能很好地执行,因为与多光谱数据相比,高光谱数据在时间和效率之间很大程度上被收集起来非常昂贵。为此,我们提出了一种新颖的半监督跨模态学习框架,称为可学习流形对齐(LeMA)。 LeMA从数据中直接学习联合图,而不是使用由高斯核函数定义的给定固定图。通过学习图,我们可以通过基于图形的标签传播进一步捕获数据分布,从而可以找到更准确的决策边界。此外,设计了基于交替方向乘法器(ADMM)的优化策略来解决所提出的模型。对两种高光谱 - 多光谱分析的广泛实验表明,与几种最先进的方法相比,该方法具有优越性和有效性。
translated by 谷歌翻译
Type B Aortic Dissection(TBAD) is a rare aortic disease with a high 5-year mortality.Personalized and precise management of TBAD has been increasingly desired in clinic which requires the geometric parameters of TBAD specific to the patient be measured accurately.This remains to be a challenging task for vascular surgeons as manual measurement is highly subjective and imprecise. To solve this problem,we introduce STENT-a STandard cta database with annotation of the ENtire aorta and True-false lumen. The database contains 274 CT angiography (CTA) scans from 274 unique TBAD patients and is split into a training set(254 cases including 210 preoperative and 44 postopera-tive scans) and a test set(20 cases).Based on STENT,we develop a series of methods including automated TBAD seg-mentation and automated measurement of TBAD parameters that facilitate personalized and precise management of the disease. In this work, the database and the proposed methods are thoroughly introduced and evaluated and the results of our study shows the feasibility and effectiveness of our approach to easing the decision-making process for vascular surgeons during personalized TBAD management.
translated by 谷歌翻译
深度学习是人工智能的主要焦点,并且极大地影响了其他领域。然而,深度学习往往因其缺乏解释而受到批评。作为深度学习中成功的无监督模型,各种自动编码器,特别是卷积自动编码器,非常受欢迎且非常重要。由于这些自动编码器需要改进和见解,因此在本文中,我们阐明了深度卷积自动编码器的非线性,无论是完美的信号恢复。特别地,我们提出了一种新型的卷积自动编码器,称为软自动编码器(Soft-AE),其中编码层的激活用可适应的软阈值单元实现,而解码层用线性单元实现。因此,Soft-AE可以自然地解释为学习级联小波收缩系统。我们对CIFAR-10,BSD-300和MayoClinical Challenge Dataset的去噪数值实验表明,Soft-AE相对于其对应物具有竞争性能。
translated by 谷歌翻译