- 基于深度数据和深度度量学习的普适性牛标识
针对牛只的精准识别和精细畜牧的需要,本文首次提出和评估了一种自上而下(背部视角)的深度学习系统,该系统可使用深度数据准确识别个体牛只,为进一步研究提供了代码、数据集和训练权重。研究采用了基于卷积神经网络和多层感知器的背骨架,并通过生成嵌入空 - CANOS: 快速可扩展的神经网络 AC-OPF 求解器,抗 N-1 扰动
训练一种深度学习系统(CANOS)来预测近似最优解(与真实的 AC-OPF 成本相差不超过 1%),同时不牺牲速度,并在包含多达 10,000 个母线的实际电网规模上获得有希望的实证结果。因为 CANOS 是一个图神经网络,它对拓扑变化具有 - 训练时间和事后溯源识别增强的规模化
近期的研究中,我们提供了有关最新的超出分布(OOD)检测方法 - 极简激活塑形(ASH)的见解和分析。我们证明了激活修剪对 OOD 检测有着不良影响,而激活缩放则增强了 OOD 检测效果。此外,我们提出了 SCALE,一种简单而有效的后期网 - 通过深度学习在动物携带的水下视频中检测企鹅及其猎物
我们提供了一种高度可靠的水下企鹅检测器、鱼类检测器和海洋掠食者复杂行为的自动视觉检测的宝贵初步尝试。
- 可解释深度学习系统的单类目标特定攻击
本文介绍了一种名为 SingleADV 的单分类目标特定对抗攻击算法,旨在生成通用扰动,使目标模型混淆特定目标类别的对象,并确保高度相关和准确的解释。我们通过实验验证了 SingleADV 的有效性,并对其进行了反制措施的讨论。
- 基于二次经典机器学习验证方法的对抗感知深度学习系统
通过研究现有对抗攻击模型,我们的实验表明,大多数基于经典机器学习模型(如随机森林)的图像分类系统是免疫于这些攻击的。因此,我们提出了一种新的深度学习系统,在通过使用经典机器学习模型作为辅助验证系统来提高对抗攻击的识别能力方面取得了非常好的效 - 基于深度学习自动化定位下颌管在颞骨 CBCT 数据集上的可重复性分析
本研究采用 165 例异质性锥束 CT 扫描进行了对 DLS 重现性的评估,结果表明 DLS 具有良好的质量和数量的重现性,适用于术前放射学下颌管的鉴定,是一种非常可行的方法。
- 在可解释因果变量和分布式神经表示之间找到对齐
本文介绍了一种名为分布式对齐搜索(DAS)的方法,它使用梯度下降来找出高层和低层模型之间的对齐,并允许单个神经元在非标准基中扮演多个不同的角色,从而发现了其他方法所错过的内在结构,为进行因果抽象分析消除了前期的限制。
- IJCAI使用概念归纳解释深度学习隐藏神经元的激活过程
本文通过使用来自维基百科概念层次结构的近 200 万类别级的大规模背景知识与一种称为 “概念归纳” 的符号推理方法,提出并演示了一种方法来自动附加有意义的标签到卷积神经网络的密集层中的个别神经元,以实现对神经元激活的解释。
- 深度 Patch 视觉里程计
提出了 Deep Patch Visual Odometry(DPVO)系统,它是一种新的深度学习系统,用于单目视觉里程计(VO)。DPVO 在单个 RTX-3090 GPU 上只使用 4GB 内存,在 2 倍 - 5 倍的实时速度下准确而 - 基于深度学习的结直肠癌可解释性生存预测
本研究通过开发基于深度学习的系统,在 3,652 例(27,300 张切片)的结直肠癌患者中进行预测,探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含 1,239 例(9,340 张切片)和 738 例(7,140 - 跨域和多输出高斯过程的框架
该论文提出了一个适用于大规模问题的高斯过程的数学和软件框架,该框架结合了跨域近似和多输出,能够简化使用 GPs 创建深层模型的过程。
- 混合成像系统实现的深度缓慢视频重建
使用双流视频输入提出了一个由两个阶段的深度学习系统组成的框架,包含对齐和外观估计,可以从混合视频输入中重构高分辨率的慢动作视频。
- 利用组织病理学图像基于深度学习的多种癌症生存预测
通过开发深度学习系统,在多种癌症类型中利用组织病理图像预测疾病特异性生存,为癌症治疗和监测提供重要的预后信息。
- 深度学习系统用于皮肤疾病差异诊断
本论文介绍了一个深度学习系统(DLS),旨在为临床案例(皮肤照片和相关病史)提供一种皮肤病的鉴别诊断方法,该方法能够区分约占初级医疗保健中皮肤病总数量 80%的 26 种皮肤病,其准确度已被证明与皮肤科医生相当,能够明显增强普通医生的诊断精 - 开发与验证基于深度学习算法的前列腺癌格里森评分改进
本研究开发了一个深度学习系统,利用细胞病理医生注释的图像样本对前列腺癌组织学图像进行 Gleason 评分,精度达 0.70,较普通病理医生有较大改善,有望提高患者预后评估准确性,并且可以更细致地描述和量化肿瘤形态学。
- MM基于端到端深度学习方法的时装套装搭配挖掘
本文提出了一种机器学习系统,自动生成时尚装扮,并在 Polyvore 上收集了大规模的时尚套装数据集进行培训和评估,在此基础上,我们已经取得了相当不错的时尚套装评分和组合结果。