Significant advances have been made towards building accurate automaticsegmentation systems for a variety of biomedical applications using machinelearning. However, the performance of these systems often degrades when theyare applied on new data that differ from the training data, for example, due tovariations in imaging protocols. Manually annotating new data for each testdomain is not a feasible solution. In this work we investigate unsuperviseddomain adaptation using adversarial neural networks to train a segmentationmethod which is more invariant to differences in the input data, and which doesnot require any annotations on the test domain. Specifically, we learndomain-invariant features by learning to counter an adversarial network, whichattempts to classify the domain of the input data by observing the activationsof the segmentation network. Furthermore, we propose a multi-connected domaindiscriminator for improved adversarial training. Our system is evaluated usingtwo MR databases of subjects with traumatic brain injuries, acquired usingdifferent scanners and imaging protocols. Using our unsupervised approach, weobtain segmentation accuracies which are close to the upper bound of superviseddomain adaptation.
translated by 谷歌翻译
虽然目前的通用游戏(GGP)系统促进了用于游戏的人工智能(AI)的有用研究,但它们通常是特定的,并且计算效率低。在本文中,我们描述了一个名为Ludii的“ludemic”通用游戏系统的初始版本,该系统具有为AI研究人员以及相关领域的游戏设计师,历史学家,教育工作者和从业者提供有效工具的潜力。 Ludiidefines游戏作为ludemes的结构,即高级,易于理解的游戏概念。我们通过概述其主要优点来建立Ludii的基础:通用性,可扩展性,可理解性和效率。实验上,Ludii优于Tiltyard GGP存储库中所有可用游戏的基于命题网络的最有效的Game DescriptionLanguage(GDL)reasoners之一。
translated by 谷歌翻译
行为决策理论旨在解释人类行为。他们可以对它进行预测吗?提出了一个用于预测基础组成决策任务中人类选择的开放式比赛。结果表明,将某些行为理论作为机器学习系统中的特征进行整合可以提供最佳预测。令人惊讶的是,最有用的预测理论建立在人类和动物学习的基本属性上,并且与主流决策理论非常不同,主流决策理论关注于偏离理性选择。此外,我们发现理论特征不仅应基于定性行为见解(例如损失厌恶),还应基于功能描述模型(例如ProspectTheory)产生的定量行为前瞻性。我们的分析规定了推导人类决策的可解释的,有用的预测的方法。
translated by 谷歌翻译
多域学习(MDL)旨在获得跨多个域的最小平均风险的模型。我们的经验动机是自动显微镜,其中培养的细胞在暴露于已知和未知的化学扰动后成像,并且每个数据集显示显着的实验性偏差。本文提出了一种多域对抗性学习方法MuLANN,用于在asemi监督的环境中利用具有重叠但不同的类集的多个数据集。我们的贡献包括:i)使用H-散度获得的MDL平均和最差域风险的界限; ii)新的lossto适应半监督的多领域学习和领域适应; iii)方法的实验验证,改进两个标准图像基准上的theart状态,以及新的生物图像数据集Cell。
translated by 谷歌翻译
在本文中,我们评估手写模式aspotential生物标志物对帕金森病(PD)模型的适用性。尽管对PD的研究吸引了全世界许多研究人员的兴趣,但是评估手写模式的数据库是稀缺的,并且与PD相关的模式知识是有限的,并且偏向于现有的数据集。本文介绍了一个数据库,共有935个手写任务,从55PD患者和94个健康对照(45名年轻人和49名老年人)中收集。从信号中提取三个特征集:神经运动,运动学和非线性动力学。不同的分类器用于区分PD和健康受试者:支持向量机,最近邻,以及多层感知器。所提出的特征和分类器能够检测PD,准确度在81%和97%之间。此外,还提供了有关用于监控和检测PD的研究功能的实用性的新见解。
translated by 谷歌翻译
成对比较标签比类标签更具信息性且变化更少,但生成它们带来了挑战:它们的数量在数据集大小中以二次方式增长。我们研究了一个自然的实验设计目标,即D-最优性,可以用来确定哪些$ K $成对比较生成。已知该目标在实践中表现良好,并且是子模块,使得选择可通过贪婪算法近似。 Ana \“我贪婪的实现有$ O(N ^ 2d ^ 2K)$复杂度,其中$ N $是数据集大小,$ d $是特征空间维度,$ K $是生成比较的数量。我们证明,通过利用数据集的固有几何 - 即它由成对比较组成 - 贪婪算法的复杂性可以降低到$ O(N ^ 2(K + d)+ N(dK + d ^ 2)+ d ^ 2K对于所谓的懒惰贪婪算法,我们也应用相同的加速度。当组合时,上述改进导致数据集的执行时间不到1小时,并且需要10 ^ 8 $ $比较;对于samedataset需要超过10天才能终止。
translated by 谷歌翻译
小脑灰质形态是研究阿尔茨海默病或唐氏综合症等神经退行性疾病的重要特征。其体积或厚度通常用作此类疾病的替代成像生物标志物。大多数关于灰质厚度估算的研究都集中在心脏上,而对于小脑的形态学的研究很少。使用离体高分辨率MRI,现在可以可视化小鼠小脑中的不同细胞层。在这项工作中,我们引入了框架来提取灰质内的Purkinje层,从而能够估计小脑灰质的厚度,颗粒层和钆增强离体小鼠脑MRI的分子层。应用于唐氏综合征小鼠模型发现转染色体组皮质和layerthickness减少。
translated by 谷歌翻译
近年来,随着气候变化效应和世界人口增长,对生产力,精度和效率的高要求,机器人在农业中的使用一直在增加。与常规农业不同,甘蔗农场通常是植被茂密,面积巨大的地区,并且受到极端天气条件的影响,如剧烈的热量,潮湿和雨水。 TIBA - 用于智能生物能源农业的Tankette--是研发项目的第一个成果,该项目致力于开发一个自动移动机器人系统,用于执行许多农业任务,以实现许多农业领域。提出的概念包括半自动,低成本,防尘和防水罐车型车辆,能够渗透人工林隧道中的茂密植被并携带多个传感系统,以便对难以进入的区域进行绘图并收集样本。本文介绍了机器人机械设计,嵌入式电子设备和软件体系结构以及第一个原型的构建。在现场测试中获得的初步结果验证了所提出的概念设计,并为机器人自主导航带来了若干挑战和潜在应用,以及构建具有附加功能的新原型。
translated by 谷歌翻译
光诱导过程本质上是基本的,但精确的模拟受到基础量子化学计算成本的严重限制,妨碍了它们在长时间尺度上的应用。在这里,我们介绍了一种基于机器学习的方法,以克服这个瓶颈,在纳秒时间尺度上可以实现精确的光动力学,这是当代方法无法实现的。在分子动力学模拟过程中,我们使用深度神经网络而不是昂贵的量子化学,从而容忍分子几何与其高维电子特性之间的关系。作为一个例子,主题甲基铵阳离子的时间演变为1纳秒用于证明机器学习算法在提供相同的准确性时可以胜过标准激发态分子动力学方法的计算效率。
translated by 谷歌翻译
情绪识别和分类是一个非常活跃的研究领域。在本文中,我们提出了第一种使用持久熵和支持向量机进行情感分类的方法。应用基于拓扑的模型以从每个原始信号获得单个实数。这些数据被用作支持向量机的输入,以将信号分类为8个不同的分类(平静,快乐,悲伤,愤怒,恐惧,厌恶和惊讶)。
translated by 谷歌翻译