我们提出了一种新型的深度学习方法，以分类19.Covid-19患者的肺CTS。具体而言，我们将扫描分为健康的肺组织，非肺部区域，以及两个不同但视觉上相似的病理性肺组织，即地面玻璃透明度和巩固。这是通过独特的端到端层次网络架构和整体学习来实现的，这有助于分割并为细分不确定性提供衡量标准。提出的框架为三个Covid-19数据集实现了竞争成果和出色的概括能力。我们的方法在COVID-19 CT图像细分的公共Kaggle竞赛中排名第二。此外，分割不确定性区域显示与两种不同放射科医生的手动注释之间的分歧相对应。最后，在比较患者的COVID-19严重程度评分（基于临床指标）和分割的肺病理时，显示了我们的私人数据集的初步有希望的对应结果。代码和数据可在我们的存储库中找到：https：//github.com/talbenha/covid-seg
translated by 谷歌翻译
我们提出了一种新型的图形神经网络（GNN）方法，用于高通量显微镜视频中的细胞跟踪。通过将整个延时序列建模为直接图，其中细胞实例由其节点及其边缘表示，我们通过查找图中的最大路径来提取整个细胞轨迹。这是由纳入端到端深度学习框架中的几个关键贡献来完成的。我们利用深度度量学习算法来提取细胞特征向量，以区分不同生物细胞的实例并组装相同的细胞实例。我们引入了一种新的GNN块类型，该类型可以对节点和边缘特征向量进行相互更新，从而促进基础消息传递过程。消息传递概念的范围由GNN块的数量确定，这是至关重要的，因为它可以在连续的框架中实现节点和边缘之间的“节点和边缘”之间的“流动”。最后，我们解决了边缘分类问题，并使用已确定的活动边缘来构建单元格的轨道和谱系树。我们通过将其应用于不同细胞类型，成像设置和实验条件的2D和3D数据集，来证明所提出的细胞跟踪方法的强度。我们表明，我们的框架在大多数评估的数据集上都优于当前最新方法。该代码可在我们的存储库中获得：https：//github.com/talbenha/cell-tracker-gnn。
translated by 谷歌翻译
有效的人类学习取决于广泛的教育材料，与学习者目前对该主题保持一致。虽然互联网彻底改变了人类的学习或教育，但仍存在大量资源可访问性障碍。即，过剩的在线信息可以使其充满努力导航和发现高质量的学习材料。在本文中，我们提出了教育资源发现（ERD）管道，用于为新颖域自动化Web资源发现。管道由三个主要步骤组成：数据收集，功能提取和资源分类。我们从一个已知的源域开始，通过传输学习在两个看不见的目标域上进行资源发现。我们首先从一组种子文档中收集频繁查询并在网上搜索以获取候选资源，例如讲座幻灯片和介绍博客帖子。然后我们介绍一个小说预用信息检索深神经网络模型，查询文件屏蔽语言建模（QD-MLM），以提取这些候选资源的深度特征。我们应用基于树的分类器来决定候选人是否是一个积极的学习资源。当在两个类似但新的靶域评估时，管道在评估时实现0.94和0.82的F1分数。最后，我们展示了该管道如何使应用程序有益于应用：调查的领先段落生成。这是据我们所知，这是考虑各种网络资源的研究。我们还释放了39,728个手动标记的Web资源的语料库，以及来自NLP，计算机视觉（CV）和统计信息（统计数据）的659个查询。
translated by 谷歌翻译
科学主题的分类方案概述了其知识体系。它还可以用于促进访问研究文章和与受试者相关的其他材料。例如，ACM计算分类系统（CCS）用于ACM数字库搜索界面以及索引计算机科学论文。我们观察到，计算语言学（CL）和自然语言处理（NLP），不存在综合分类系统等CCS或数学主题分类（MSC）。我们提出了一个分类方案 - 基于在这一主题的77个大学课程的在线讲座的分析，Cl / NLP的Clicker。目前拟议的分类学包括334个主题，并侧重于CL / NLP的教育方面;它主要是基于，但不是完全，在NLP课程的讲义中。我们讨论这种分类系统如何帮助各种现实世界应用，包括辅导平台，资源检索，资源推荐，先决条件链学习和调查生成。
translated by 谷歌翻译
在本文中，我们在应用惯性监禁融合中的多模式数据之前，使用高度球形的Wasserstein AutoEncoder（WAE）。与需要从von MIS FISHER这样的分布的计算上采样计算的典型超球的生成模型不同，我们从发电机前后的正态分布采样。最后，为了确定所生成的样本的有效性，我们利用数据集中的模式之间的已知关系作为科学约束，研究所提出的模型的不同特性。
translated by 谷歌翻译
近年来，美国经历了一个缺乏预定的药物过量死亡的阿片类药物。研究发现这种过量的死亡与邻域级特征有关，从而提供了识别有效干预的机会。通常，诸如普通的最小二乘（OLS）或最大似然估计（MLE）的技术用于记录邻域级因素，在解释这种不利结果时。然而，这些技术较低的是在混淆因素之间确定非线性关系。因此，在这项研究中，我们应用基于机器学习的技术，以识别特拉华州社区的阿片式风险，并探讨这些因素使用福芙添加剂解释（Shaf）的相关性。我们发现与社区环境有关的因素，随后受教育，然后犯罪，与较高的阿片类药物风险高度相关。多年来我们还探讨了这些相关性的变化，了解流行病的变化动态。此外，我们发现，随着近年来，由于疫情从法律（即，海洛因和芬太尼）药物从法律（即，海洛因和芬太尼）转移，与阿片类药风险的环境，犯罪和健康相关变量的相关性显着增加虽然经济和社会人口统计变量的相关性降低了。近年来，教育相关因素的相关性与近年来略有增加，表明需要提高对阿片类药物流行病的认识。
translated by 谷歌翻译