许多灾后和冲突地区没有足够的关于运输基础设施资产的数据,阻碍了移动性和重建。特别是,随着老化和劣化桥的数量增加,有必要量化它们的负载特性以便进行维护并防止故障。承载能力和设计负荷被认为是任何土木结构的主要方面。当挑战性问题缺乏专业知识时,人道考虑可能代价高昂且速度慢。在本文中,我们建议采用深度学习作为方法来估算人群来源图像的承载能力。新的卷积神经网络架构受到来自6000多个桥梁的数据的培训,这将有益于未来的研究和应用。我们处理数据集中的显着变化(例如,类间隔,图像完成,图像颜色)并量化它们对预测准确度,精度,召回和F1分数的影响。最后,通过将多类分类转换为二元分类来实现实际优化,以实现有前景的使用性能。
translated by 谷歌翻译
在新兴的纳米物联网(IoNT)中,信息将通过复杂和扩散的媒体以分子的形式嵌入和传播。一个主要的挑战在于信道响应的长尾性质导致符号间干扰(ISI),这会降低检测性能。如果信道未知,我们不能轻易实现传统的相干信道估计和消除,并且ISI的影响将是在本文中,我们开发了一种用于分子信号盲检测的新型高维非相干方案。我们通过组合利用信号的瞬态特征的不同非相干度量,在更高维度的空间中实现这一点。通过推导任何构造的高维非相干度量的理论误码率(BER),我们证明了更高的维数总是在相同的样本空间中实现更低的BER。然后,我们设计了一个利用了Thearzen的广义盲检测算法。近似及其概率神经网络(Parzen-PNN)检测信息比特。利用其快速收敛和并行实现的优点,我们提出的方案可以满足检测精度和实时计算的需要。数值模拟表明,与其他最先进的方法相比,我们提出的方案可以获得10dB的BER。
translated by 谷歌翻译
在本文中,我们考虑利用部分重叠信道(POC)的网状结构无人机(UAV)网络。对于无人机网络中的基因标记收集任务,我们的目标是通过限制传输功率和服务质量(QoS)来优化网络吞吐量。就高度移动和不断变化的无人机网络而言,不幸的是,大多数现有方法依赖于确定对动态环境易受攻击的信息,使系统性能降低。为了对抗UAVnetworks的动态拓扑和变化干扰,提出了一种鲁棒的分布式学习方案。我们引入不确定性来表征无人机节点之间的动态信道增益,然后用模糊数解释,而不是完美的信道状态信息(CSI)。我们在映射模糊空间中实现学习和决策过程,而不是传统观察空间,其中信道容量是一个明确的奖励。这允许系统通过在备用空间中进行优化来实现更加平稳和更强大的性能。为此,我们设计了一个模糊支付函数(FPF)来描述波动的可能性,POCs分配的问题被公式化为模糊支付游戏(FPG)。在模糊双矩阵博弈的有吸引力的辅助下,证明了模糊纳什均衡(FNE)在我们制定的FPG中的存在性。我们的鲁棒模糊学习算法可以通过偏差法达到均衡解。最后,提供数值模拟以证明我们的新方案优于现有方案的优点。
translated by 谷歌翻译
检测异常并发现驾驶信号是科学研究和工业实践的重要组成部分。通常,潜在的机制非常复杂,涉及隐藏的演化非线性动力学和噪声污染。当代表性物理模型和大型标记数据集不可用时,与大多数实际应用程序一样,依赖于模型的贝叶斯方法会产生误导性结果,并且大多数监督学习机器也无法可靠地解决复杂的演化系统。在这里,我们提出了一种无监督的机器学习方法,它在一个结构良好的函数空间中运行,通过由考夫曼算子确定的线性函数表示来捕获非线性动力学。这一突破利用了时间特征嵌入和随后重建动态的相空间表示,从而允许从整个轨迹中可靠地识别关键全局特征。这大大改善了常用的静态局部特征,这些特征是脆弱的过渡或噪声。由于其数据驱动的性质,我们的方法包括任何先前的模型和训练语料库。我们将我们方法的惊人准确性与生物学,医学和工程学中的三个不同且具有挑战性的问题进行对比。在所有情况下,它都优于现有的最先进的方法。作为一种新的无监督信息处理范例,它适用于普遍存在的非线性动力系统,这些系统只有很少的专业知识,可以无偏见地挖掘工作原理,或者在未标记的数据流中淹没的内在相关性。
translated by 谷歌翻译
在本文中,我们提出了一种新的甲状腺细胞病理学WSIs高效滤泡分离方法。首先,我们提出了一种混合分段架构,它通过添加分支将分类器集成到Deeplab V3中。通过使用分类分支来浏览不相关区域,节省了大量的WSI分段时间。其次,将Deeplab V3中的低尺度精细特征融入到原始的空间金字塔空间(ASPP)中,以准确地表示细胞病理图像。第三,我们的混合模型采用面向准则的自适应损失函数进行训练,使模型收敛速度更快。对甲状腺贴片的实验结果表明,所提出的模型在分割精度上达到80.9%。此外,采用我们提出的方法,WSI分割的时间减少了93%,WSI水平精度达到53.4%。
translated by 谷歌翻译
变分推理(VI)是贝叶斯估计中广泛使用的框架。对于大多数非高斯统计模型,找到一个可分析的解决方案来估计参数的后验分布是不可行的。最近,通过对变分目标函数采用下界近似,引入并应用改进的框架,即扩展变分参考(EVI),并应用于推导分析上可解决的解决方案。本文讨论并比较了EVI实施所需的两个条件,即弱条件和强条件。在实际实现中,EVI的收敛取决于下界近似的选择,无论弱条件还是强条件。通常,可以应用两种近似策略,即单一下界(SLB)近似和多次下界(MLB)近似,以执行下界近似。我们将讨论SLB和MLB之间的差异,我们还将讨论上述两个近似的收敛性质。基于一些现有的基于EVI的非高斯统计模型进行广泛的比较。进行理论分析以证明弱势和强势条件之间的差异。给出了定性和定量实验结果,以显示SLB近似的优点。
translated by 谷歌翻译
视网膜眼底图像上的视杯和盘的自动分割对于青光眼的自动检测/分析是基础。传统分割方法在很大程度上取决于手工制作的功能和用户的先验知识。因此,这些方法难以适应临床环境。最近,基于完全卷积网络(FCN)的深度学习方法已经成功地解决了分割问题。然而,在处理医学图像时,依赖于大注释的训练数据是有问题的。如果没有足够数量的带注释的训练数据来涵盖所有可能的变化,则FCN不提供准确的分割。此外,FCN在卷积层中具有大的感受场,因此产生粗略的边界输出。因此,我们提出了一种新的全自动方法,我们将其称为双级完全卷积网络(DSFCN)。我们的方法利用深度剩余架构和FCN,并以逐步的方式学习和推断光学杯和磁盘的位置,并具有细粒度的细节。在训练期间,ourapproach从训练数据和从前一次迭代得到的估计结果中学习。从前一次迭代中学习的能力可以优化光学杯和磁盘边界的学习。在测试(预测)期间,DSFCN使用测试(输入)图像和从先前迭代得到的估计概率图来逐渐改善分段准确性。我们的方法实现了视杯和磁盘分割的平均Dice系数为0.8488和0.9441,并且曲线下面积(AUC)为0.9513,用于青光眼检测。
translated by 谷歌翻译
这项工作建立了最优运输图,Monge-Amp \`{e} re方程和GANs的规律性理论之间的联系,这给出了对GAN主要缺点的理论理解:收敛困难和模式崩溃。根据Monge-Amp \`{e} re方程的正则性理论,如果目标测度的支持断开或只是非凸,则最优传输映射是不连续的。一般DNN只能近似连续映射。这种内在冲突导致GAN中的收敛难度和模式崩溃。我们测试了我们的假设,即实际数据分布的支持通常是非凸的,因此在CelebA数据集上使用自动编码器结合离散最优运输图(AE-OT框架)不可避免地存在不连续性。测试结果是积极的。此外,我们建议基于离散的Brenier理论直接逼近连续Brenier势,以解决模式崩溃问题。与现有方法相比,该方法更加准确有效。
translated by 谷歌翻译
少数学习旨在学习新课程的分类器,每节课只有少数训练样例。现有的元学习或基于度量学习的微小学习方法在处理具有多个标签的不同域中是有限的。元学习方法训练元学习者对同构结构的任务特定网络的权重进行预测,要求跨任务的类数量不均匀。度量学习方法为所有任务学习任务不变度量,如果任务有任务,它们就会失败。我们建议用元度量学习来处理这些局限性。我们的元度量学习方法包括特定于任务的学习者,用于处理灵活标签的thatexploit度量学习,以及一个发现良好参数和梯度体面以指定特定于度量的度量的元学习器。学习者。因此,所提出的模型能够处理不平衡类以及生成特定于任务的度量。我们在以前的工作中使用的'$ k $ -shot $ N $ -way'少数镜头学习设置中测试我们的方法,以及具有多种多域任务和灵活标签编号的新实际少数镜头设置。实验表明,我们的方法在两种设置中都获得了优越的性能。
translated by 谷歌翻译
深层强化学习(DRL)近年来受到了很多关注,并且已经被证明能够在Atari游戏和Go等人或者超人的水平上进行游戏。然而,假设这些游戏具有少量固定数量的动作并且可以用简单的CNN网络训练。在本文中,我们研究了一类特殊的亚洲流行纸牌游戏,叫做斗地珠,其中两个对等的代理人群体必须在每个步骤考虑多种卡片组合,导致大量的动作。我们提出了一种处理组合动作的新方法,我们称之为组合Q学习(CQL)。我们使用两阶段网络来减少操作空间,并利用顺序不变的最大池操作来提取原始操作之间的关系。结果表明,我们的方法胜过最先进的Q学习和A3C等最先进的方法。我们开发了一个易于使用的纸牌游戏环境,并对所有代理人进行对抗,只需知道游戏规则并验证我们的代理商与人类比较。我们的代码可以在线获取所有报告的结果。
translated by 谷歌翻译