分层文本分类有许多实际应用。但是,标记大量文档的成本很高。在实践中,我们可以使用半监督学习或弱监督学习(例如,无数据分类)来降低标签成本。在本文中,我们提出了一种路径成本敏感的学习算法,以利用结构信息,并进一步利用未标记和弱标记的数据。我们使用生成模型来利用大量未标记的数据,并将路径约束引入学习算法,以合并类层次结构的结构信息。未标记和弱标记数据的后验概率可以与路径依赖性核心结合。由于我们将结构敏感成本置于学习算法中,以保证与类层次结构一致的分类,并且不需要重构不同结构的特征向量,因此与结构输出学习相比,我们可以显着降低计算成本。两个分层文本分类基准的实验结果表明,我们的方法不仅有效,而且有效地处理半监督和弱监督的分层文本分类。
translated by 谷歌翻译
本文提出了一种高效的神经网络模型,用于生成具有高分辨率图像的机器人格栅。所提出的模型使用完全卷积神经网络,使用400 $ \ $ 400高分辨率RGB-D图像为每个像素生成机器人抓取。它首先对图像进行下采样以获取要素,然后将这些要素上采样到输入的原始大小,并组合来自不同要素图的局部和全局要素。与用于检测机器人抓取的其他回归或分类方法相比,我们的方法看起来更像是通过逐像素方式解决问题的分割方法。我们使用Cornell Grasp Dataset来训练和评估模型,并且在图像方面获得高达94.42%的准确度,在对象方面获得91.02%的快速预测时间和约8ms的快速预测时间。我们还证明,在没有多对象数据集的训练的情况下,由于像素实现,我们的模型可以直接outputrobotic掌握不同对象的候选对象。
translated by 谷歌翻译
滚动地平线进化算法(RHEA)是一类用于实时游戏的在线计划方法;他们的表现与计划范围和允许的搜索时间密切相关。在本文中,我们建议通过培训价值网络和apolicy网络,以离线方式容忍RHEA的先验。价值网络用于通过提供对未来奖励的估计来减少计划范围,并且策略网络用于初始化人口,这有助于缩小搜索范围。所提出的算法,称为基于先验的RHEA(p-RHEA),通过迭代地执行规划和学习来训练策略和价值网络。在规划阶段,进行了地平线限制搜索,辅助政策网络和价值网络,以改进政策和收集培训样本。在学习阶段,政策网络和价值网络通过收集的样本进行培训,以学习更好的先验知识。在OpenAl Gym MuJoCo任务上的实验结果表明,与RHEA相比,所提出的p-RHEA的性能显着提高。
translated by 谷歌翻译
在现实生活中的环境中,由于窗户,灯光和物体突然出现阻挡光源,视觉SLAM系统可以很容易地捕捉由过度曝光或过度黑暗引起的低对比度图像。此时,基于像素亮度信息估计相机运动的直接方法是不可行的,并且通常很难在没有图像处理的情况下找到足够的有效特征点。本文提出了HE-SLAM,一种结合直方图均衡和ORB特征提取的新方法,可以在更多场景中稳健,特别是在具有低对比度图像的阶段。由于HE-SLAM使用直方图均衡来改善图像的对比度,因此它可以在低对比度中提取足够的有效特征点,用于后续特征匹配,关键帧选择,束调整和循环闭包检测。所提出的HE-SLAM已经在流行数据集(例如KITTI和EuRoc)上进行了测试,并且通过比较系统运行时和绝对轨迹误差(ATE)的主题平方根误差(RMSE)来证明系统的实时性能和鲁棒性。使用ORB-SLAM2等最先进的方法。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
在实际系统中非常昂贵的问题是非常普遍的,因为一个适合的评估花费几个小时甚至几天。在过去的几十年中,替代辅助进化算法(SAEAs)已被广泛用于解决这一关键问题。然而,大多数研究的SAEA专注于解决问题,至少十倍的问题维度,这在许多非常昂贵的现实问题中是不可接受的。在本文中,我们使用Voronoidiagram来提高SAEA的性能,并提出一个新的框架,名为基于Voronoi的有效代理协助进化算法(VESAEA),用于解决非常昂贵的问题,其中优化预算在fitnessevaluations方面仅为5倍。问题的维度。在提议的框架中,Voronoi图将整个搜索空间划分为若几个子空间,然后本地搜索在一些可能的更好的子空间中运行。此外,为了权衡勘探和开发,该框架涉及通过组合一次性交叉验证和径向基函数替代模型而开发的全局搜索阶段。性能选择器旨在在全局和本地搜索阶段之间动态和自动切换搜索。各种基准问题的实证结果表明,所提出的框架显着优于具有极其有限的适应性评估的几种最先进的算法。此外,还进一步分析了Voronoi图的功效,结果表明它有可能优化非常昂贵的问题。
translated by 谷歌翻译
为了研究是否可以使用深度学习技术评估在彩色眼底照片上描绘的中心性浆液性脉络膜视网膜病变(CSC)的程度和程度。我们收集了在不同主题上获得的总共2,504个眼底图像。我们使用相应的光学相干断层扫描(OCT)图像验证了这些图像的CSC状态。共有1,329张图片描绘了CSC。对这些图像进行预处理和标准化。将得到的数据集随机分成三部分,比例分别为8:1:1,用于训练,验证和测试目的。我们使用称为InceptionV3的深度学习架构来训练分类器。我们进行了非参数接收机操作特性(ROC)分析,以评估所开发算法识别CSC的能力。两个评价者之间的Kappa系数为0.48(p <0.001),而计算机和两个评价者之间的Kappa系数分别为0.59(p <0.001)和0.33(p <0.05)。我们的实验表明,基于深度学习的计算机算法以相对可靠和一致的方式评估彩色眼底照片上描绘的CSC。
translated by 谷歌翻译
3D对象检测在大量实际应用中起着重要作用。它要求我们估计真实场景中3D对象的局部化和方向。在本文中,我们提出了一种新的网络体系结构,该体系结构侧重于利用前视图图像和平截头体点云来生成3D检测结果。一方面,使用PointSIFT模块来提高3D分割的性能。它可以捕捉空间中不同方向的信息和不同尺度形状的鲁棒性。另一方面,我们的网络通过SENet模块获得有用的特征并抑制具有较少信息的特征。该模块重新调整信道特征并且更有效地估计3D边界框。我们的方法在室外场景的KITTI数据集和室内场景的SUN-RGBD数据集上进行评估。实验结果表明,我们的方法比最先进的方法具有更好的性能,特别是当点云非常稀疏时。
translated by 谷歌翻译
在MR容积中准确地分割左心房可有益于心房颤动的消融过程。传统的自动化解决方案通常会使劳动密集型手动标签的专家失败。在本文中,我们提出了一种基于深度神经网络的解决方案,用于钆增强MR容量的自动左心房分割,具有良好的性能。我们首先认为,对于这种体积分割任务,2Dfashion中的网络在时间效率和分割准确性方面比具有3D时尚的网络具有很大的优势。考虑到高度变化的心房形状和相关肺静脉的分支结构,我们建议采用金字塔模块来收集多尺度特征图中的语义线索,以进行细粒度分割。此外,为了促进我们的网络对硬性示例进行分类,我们提出了一种在线硬性负面示例挖掘策略,用于识别具有低分类能力的切片中的体素并惩罚对它们的错误预测。最后,我们设计了竞争性培训方案,以进一步提高网络的泛化能力。经过20个测试量的广泛验证,我们提出的框架在分割左心房和肺静脉时平均骰子为92.83%。
translated by 谷歌翻译
机器学习工作流程开发是一个反复试验的过程:开发人员通过测试小的修改来迭代工作流程,直到达到所需的准确性。不幸的是,现有的机器学习系统只关注模型训练 - 只占整个开发时间的一小部分 - 而忽略了解决迭代开发问题。我们建议使用Helix,amachine学习系统来优化执行情况 - 智能地缓存和重用,或者重新计算中间体。 Helix在其斯卡拉DSL中捕获了各种各样的应用程序需求,其简洁的语法定义了数据处理,模型规范和学习的统一过程。我们证明了重用问题可以被转换为Max-Flow问题,而缓存问题则是NP-Hard。我们为后者开发有效的轻量级启发式算法。 Empiricalevaluation显示Helix不仅能够在一个统一的工作流程中处理各种各样的用例,而且速度更快,在四个实际上提供比最先进系统(如DeepDive或KeystoneML)高达19倍的运行时间减少。世界在自然语言处理,计算机视觉,社会和自然科学中的应用。
translated by 谷歌翻译