在COVID-19大流行期间，在COVID-19诊断的紧急环境中进行的大量成像量导致临床CXR获取的差异很大。在所使用的CXR投影，添加图像注释以及临床图像的旋转程度和旋转程度中可以看到这种变化。图像分析社区试图通过开发自动化的CoVID-19诊断算法来减轻大流行期间过度拉伸放射学部门的负担，该诊断算法是CXR成像的输入。已利用大量公开的CXR数据集来改善CoVID-19诊断的深度学习算法。然而，公开可用数据集中临床可获得的CXR的可变质量可能会对算法性能产生深远的影响。 COVID-19可以通过图像标签等图像上的非动物特征的算法来推断诊断。这些成像快捷方式可能是数据集特定的，并限制了AI系统的概括性。因此，了解和纠正CXR图像中的关键潜在偏差是CXR图像分析之前的重要第一步。在这项研究中，我们提出了一种简单有效的逐步方法，以预处理Covid-19胸部X射线数据集以消除不希望的偏见。我们进行消融研究以显示每个单个步骤的影响。结果表明，使用我们提出的管道可以将基线共证检测算法的精度提高到13％。
translated by 谷歌翻译
The management of cattle over a huge area is still a challenging problem in the farming sector. With evolution in technology, Unmanned aerial vehicles (UAVs) with consumer level digital cameras are becoming a popular alternative to manual animal censuses for livestock estimation since they are less risky and expensive.This paper evaluated and compared the cutting-edge object detection algorithms, YOLOv7,RetinaNet with ResNet50 backbone, RetinaNet with EfficientNet and mask RCNN. It aims to improve the occlusion problem that is to detect hidden cattle from a huge dataset captured by drones using deep learning algorithms for accurate cattle detection. Experimental results showed YOLOv7 was superior with precision of 0.612 when compared to the other two algorithms. The proposed method proved superior to the usual competing algorithms for cow face detection, especially in very difficult cases.
translated by 谷歌翻译
We propose an efficient and generative augmentation approach to solve the inadequacy concern of underwater debris data for visual detection. We use cycleGAN as a data augmentation technique to convert openly available, abundant data of terrestrial plastic to underwater-style images. Prior works just focus on augmenting or enhancing existing data, which moreover adds bias to the dataset. Compared to our technique, which devises variation, transforming additional in-air plastic data to the marine background. We also propose a novel architecture for underwater debris detection using an attention mechanism. Our method helps to focus only on relevant instances of the image, thereby enhancing the detector performance, which is highly obliged while detecting the marine debris using Autonomous Underwater Vehicle (AUV). We perform extensive experiments for marine debris detection using our approach. Quantitative and qualitative results demonstrate the potential of our framework that significantly outperforms the state-of-the-art methods.
translated by 谷歌翻译
许多应用程序需要神经网络的鲁棒性或理想的不变性，以使输入数据的某些转换。最常见的是，通过使用对抗性培训或定义包括设计所需不变性的网络体系结构来解决此要求。在这项工作中，我们提出了一种方法，使网络体系结构通过基于固定标准从（可能连续的）轨道中选择一个元素，从而使网络体系结构相对于小组操作证明是不变的。简而言之，我们打算在将数据馈送到实际网络之前“撤消”任何可能的转换。此外，我们凭经验分析了通过训练或体系结构结合不变性的不同方法的特性，并在鲁棒性和计算效率方面证明了我们方法的优势。特别是，我们研究了图像旋转（可以持续到离散化工件）以及3D点云分类的可证明的方向和缩放不变性方面的鲁棒性。
translated by 谷歌翻译
局部性的好处是石灰的主要前提之一，这是解释黑盒机器学习模型的最突出方法之一。这种强调依赖于一个假设，即我们在本地观察实例附近的越多，黑框模型变得越简单，并且我们可以用线性替代物模拟它越准确。尽管如此，我们的发现似乎是合乎逻辑的，表明，借助石灰的当前设计，当解释过于本地时，即当带宽参数$ \ sigma $趋于零时，替代模型可能会退化。基于此观察，本文的贡献是双重的。首先，我们研究带宽和培训附近对石灰解释的忠诚度和语义的影响。其次，基于我们的发现，我们提出了\史莱姆，这是一种调和忠诚度和位置的石灰的扩展。
translated by 谷歌翻译
从图灵（Turing）在1950年的开创性工作开始，人工智能提出，图灵机可以模拟意识。这意味着宇宙是计算机上的模拟的所有事物的潜在理论，该理论引出了一个问题，即我们是否可以证明自己存在于模拟中。在这项工作中，我们构建了一个相对模型的计算模型，其中可计算\ textIt {local}计算机由经典的图灵计算机模拟。我们表明，其全局模拟器的本地计算机计算\ textbf {仿真属性}的问题与停止问题相同。然后，我们表明，计算全局模拟器积累的时间，空间或误差是模拟属性，因此是不可决定的。这些仿真属性在相对模型中产生了特殊的相对论效应，我们用来构建相对教会的 - 杜特施奇论文，其中全球经典的图灵机器为本地机器计算具有与恒定时间的局部计算复杂性的量子力学，在我们的宇宙中经验丰富。
translated by 谷歌翻译
微调预训练的语言模型可以提高商业回复建议系统的质量，但以不可持续的培训时间的成本。流行的训练时间减少方法是资源密集型，因此我们探索了低成本的模型压缩技术，如层次掉线和冻结层。我们展示了这些技术在大数据场景中的功效，使商业电子邮件回复建议系统的培训时间减少了42％，而不会影响模型相关性或用户参与。我们进一步研究了这些技术的稳健性，以预先训练的模型和数据集大小消融，并为商业应用分享了几个见解和建议。
translated by 谷歌翻译
多模态数据集的可用性提供了一个独特的机会，可以更全面地使用多个视点来表征相同的兴趣对象。在这项工作中，我们研究了使用规范相关性分析（CCA）和CCA（PCCA）的罚款变种用于两种方式的融合。我们研究了一个简单的图形模型，用于生成双模数据。我们分析表明，通过已知的模型参数，后均估计器共同使用的两种模式优于单个模态后估计在潜在可变预测中的任意线性混合。包含域知识的CCA（PCCA）的惩罚扩展可以发现与高维，低样本数据的相关性，而传统的CCA是不可应用的。为了便于使用PCCA产生多维嵌入，我们提出了两个基质放气计划，该方案强制实施CCA所表现出的理想性质。我们通过组合上述所有具有潜在可变预测的通货卡来提出一种两阶段预测管道。在模拟数据上，我们提出的模型大大降低了潜在可变预测中的平均平均误差。当从癌症基因组地图集（TCGA）乳腺癌患者的公开可用的组织病理学数据和RNA测序数据中时，我们的模型可以在生存预测中呈现相同维度的主要成分分析（PCA）嵌入。
translated by 谷歌翻译