Automated Copper Alloy Grain Size Evaluation Using a Deep-learning CNN
Moog Inc.(穆格公司)
穆格公司使用深度学习卷积神经网络(CNN)自动评估铜(Cu)合金晶粒尺寸。概念验证自动化图像采集和批量图像处理提供了显著减少劳动力、提高晶粒评估准确性和减少批准用于飞行关键飞机硬件的铜合金棒料的总体周转时间的潜力。对Cu合金试样的各个子图像的分类准确率达到91.1%。过程开发包括最小化所获取的图像颜色、亮度和分辨率的变化,以创建具有12300个子图像的数据集,然后使用统计实验设计(DoE)优化该数据集上的CNN超参数。在自动化Cu合金晶粒尺寸评估的开发过程中,基于将大的原始图像分解成许多较小的数据集子图像,通过经由检查来自各个较小子图像的分类结果来解释CNN整体图像输出的能力,实现了人工智能(XAI)输出中的一定程度的“可解释性”。
2020-05-20 cond-mat.mtrl-sci cs.CV cs.LG
Automated Architecture Design for Deep Neural Networks
Jacobs University Bremen(不来梅雅各布大学)
近年来,机器学习取得了巨大的进步,并受到了公众的广泛关注。虽然我们离设计一个完整的人工智能代理还很远,但机器学习已经给我们带来了许多应用,在这些应用中,计算机非常好地解决了人类的学习任务。这些进展大部分来自机器学习中的一个最新趋势,称为深度学习。深度学习模型负责机器学习的许多最先进的应用。尽管取得了成功,但深度学习模型很难训练,很难理解,而且往往非常复杂,只能在非常大的GPU集群上进行训练。在使神经网络能够有效学习方面已经做了大量的工作。然而,这种神经网络的设计和架构通常通过试错和专家知识手动完成。本论文研究了不同的方法,现有的和新的,自动化的深度前馈神经网络的设计,试图创建具有良好的性能,消除了负担,决定一个架构,使其更有效地设计和训练这样的深度网络的复杂性较低的模型。
2019-08-22 cs.LG cs.NE stat.ML
LAMP: Large Deep Nets with Automated Model Parallelism for Image Segmentation
NVIDIA(英伟达)
深度学习(DL)模型正在变得越来越大,因为模型大小的增加可能会提供显着的准确性增益。为了能够训练大型深度网络,数据并行和模型并行是并行训练的两种众所周知的方法。但是,数据并行无助于减少每个设备的内存占用。在这项工作中,我们引入了具有自动模型并行(LAMP)的大型深度3D ConvNets,并研究了输入和深度3D ConvNets的大小对分割精度的影响。通过自动化模型并行,可以用大的输入块甚至整个图像来训练大型深度3D ConvNet。大量的实验表明,通过自动化的模型并行,可以通过增加模型大小和输入上下文大小来提高分割精度,并且与小块的滑动窗口相比,大输入在推理中会产生显著的推理加速。代码为\footnote{https://monai.io/research/lamp-automated-model-parallelism}。
2020-09-15 cs.CV cs.DC cs.LG
Automated segmentation on the entire cardiac cycle using a deep learning work-flow
King’s College London(伦敦国王学院);WMG, University of Warwick(华威大学WMG)
从CINE MRI图像中分割左心室(LV)对于推断重要的临床参数至关重要。通常,用于自动LV分割的机器学习算法仅使用来自两个心动时相(心动间期和收缩期)的注释轮廓。在这项工作中,我们提出了一个全自动LV分割的分析工作流程,该流程从通过心动周期采集的图像中学习。工作流程由三个部分组成:首先,对于序列中的每个图像,我们执行自动定位并随后裁剪包含心脏轮廓的限界框。其次,我们使用时间全卷积神经网络(T-FCNN)识别LV轮廓,T-FCNN通过在连续帧上执行时间相干性的循环机制扩展了全卷积神经网络(FCNN)。最后,我们使用两个组件中的任何一个进一步定义了边界:具有高斯边缘势的全连接条件随机场(CRF)和语义流。我们的初步实验表明,显着提高性能,可以通过使用一个递归神经网络组件,显式学习心脏运动模式,同时执行LV分割。
2018-08-31 cs.CV cs.LG stat.ML
Deep-n-Cheap: An Automated Search Framework for Low Complexity Deep Learning
University of Southern California(南加州大学)
我们介绍了Deep-n-Cheap --一个用于搜索深度学习模型的开源AutoML框架。该搜索包括架构和训练超参数,并支持卷积神经网络和多层感知器。我们的框架是针对部署在基准和自定义数据集,因此,提供了更大程度的搜索空间可定制性相比,更有限的搜索,只有预先存在的模型,从文献。我们还介绍了“搜索转移”的技术,它展示了我们的框架发现的模型对多个数据集的泛化能力。Deep-n-Cheap包括用户可自定义的复杂性惩罚,它可以用训练时间或参数数量来权衡性能。具体来说,我们的框架导致模型提供与最先进的性能相当的性能,而训练时间比其他AutoML和模型搜索框架的模型少1-2个数量级。此外,这项工作调查和发展有关搜索过程的各种见解。特别是,我们展示了贪婪策略的优越性,并证明了我们选择贝叶斯优化作为随机/网格搜索的主要搜索方法。
2020-09-05 cs.CV cs.LG stat.ML
An Automated Deep Learning Approach for Bacterial Image Classification
Munzur University(Munzur大学)
从显微图像中自动识别和分类细菌种类在临床微生物学中具有重要意义。细菌分类通常由生物学家利用细菌种类的不同形状和形态特征手动进行。从显微镜图像中手动分类细菌类型是耗时的,即使是经验丰富的生物学家也是一项具有挑战性的任务。在这项研究中,提出了一种基于自动深度学习的分类方法,将细菌图像分类为不同的类别。ResNet-50预训练的CNN架构已被用于将数字细菌图像分类为33个类别。采用迁移学习技术加速网络的训练过程,提高网络的分类性能。该方法实现了99.2%的平均分类准确率。实验结果表明,所提出的技术超越了文献中最先进的方法,可用于任何类型的细菌分类任务。
2019-12-04 cs.CV cs.LG eess.IV
Deep Convolutional Neural Network for Automated Detection of Mind Wandering using EEG Signals
University of North Texas(北德克萨斯大学)
走神是一种普遍存在的现象,它反映了注意力从与任务相关的思维转移到与任务无关的思维。有一个智能接口,可以重新定位注意力时,MW检测到由于其对性能和生产力的不利影响的需要。在本文中,我们提出了一个深度学习模型,用于使用脑电图(EEG)信号进行MW检测。具体来说,我们开发了一个通道式深度卷积神经网络(CNN)模型,用于对从EEG信号中提取的聚焦状态和MW的特征进行分类。这是第一项采用CNN仅使用EEG数据自动检测MW的研究。在所收集的数据集上的实验结果显示出良好的性能,准确率为91.78%,灵敏度为92.84%,特异性为90.73%。
2019-02-05 cs.HC cs.LG eess.SP
Deep Learning for Automated Classification of Tuberculosis-Related Chest X-Ray: Dataset Specificity Limits Diagnostic Performance Generalizability
Chulalongkorn University(朱拉隆功大学);Thai Health AI Foundation(泰国健康人工智能基金会);Johns Hopkins Bloomberg School of Public Health(约翰斯·霍普金斯大学布隆伯格公共卫生学院)
机器学习已经成为传染病各个方面的新兴工具,包括结核病监测和检测。然而,世卫组织没有就使用计算机辅助结核病检测软件提出建议,原因是研究数量少、方法上的局限性以及研究结果的普遍性有限。为了量化机器学习模型的通用性,我们使用一个人群(国家医学图书馆深圳第三医院)的TB特异性CXR数据集开发了深度卷积神经网络(DCNN)模型,并使用另一个人群(国家卫生研究院临床中心)的非TB特异性CXR数据集对其进行了测试。研究结果表明,使用来自一个人群的训练数据集开发的监督式深度学习模型在另一个人群中可能不具有相同的诊断性能。在其他环境中实施之前,应检查CXR图像的技术规范、疾病严重程度分布、过拟合和过度诊断。
2018-12-28 cs.CV cs.LG stat.ML
DeepLung: 3D Deep Convolutional Nets for Automated Pulmonary Nodule Detection and Classification
University of California, Irvine(加州大学尔湾分校);Baidu Research(百度研究院)
在这项工作中,我们提出了一个完全自动化的肺癌CT诊断系统,DeepLung。DeepLung包含两个部分,结节检测和分类。考虑到肺部CT数据的三维特性,设计了两个三维网络分别用于结节检测和分类。具体来说,3D Faster R-CNN被设计用于结节检测,具有类似U网的编码器-解码器结构,以有效地学习结节特征。对于结节分类,提出了具有3D双路径网络(DPN)特征的梯度提升机(GBM)。结节分类子网络在LIDC-IDRI的公共数据集上进行了验证,其性能优于最先进的方法,并超过了四位经验丰富的医生的平均性能。对于DeepLung系统,首先通过结节检测子网络检测候选结节,并通过分类子网络进行结节诊断。大量的实验结果表明,DeepLung在LIDC-IDRI数据集上的结节级别和患者级别诊断方面与经验丰富的医生相当。
2017-09-16 cs.CV cs.LG cs.NE
Local Adaptation Improves Accuracy of Deep Learning Model for Automated X-Ray Thoracic Disease Detection : A Thai Study
Perceptra Co., Ltd.(Perceptra有限公司);Mahidol University(玛希隆大学);King Mongkut’s University of Technology Thonburi(国王科技大学吞武里分校)
尽管在医学图像诊断的人工智能领域有很多有前途的研究,但在泰国还没有进行大规模的验证研究来确认这些算法在应用于本地数据集时的准确性和实用性。在这里,我们提出了一个广泛的开发和测试深度学习算法的自动胸部疾病检测,利用421,859本地胸部X光片。我们的研究表明,卷积神经网络在检测胸部X光片上的13种常见异常情况时可以取得显着的性能,而将局部图像纳入训练集是模型成功的关键。本文提出了一种最先进的CXR异常检测模型,平均AUROC为0.91。如果将该模型集成到工作流程中,则可以在CXR分析过程中为医疗从业人员减少高达55.6%的工作。我们的工作强调了投资医疗诊断算法的本地研究的重要性,以确保在预期区域内安全有效地使用。
2020-05-12 cs.LG eess.IV stat.ML
Efficient Automated Deep Learning for Time Series Forecasting
Leibniz University Hannover(汉诺威莱布尼茨大学);Ludwig-Maximilian University(路德维希-马克西米利安大学);Fraunhofer Institute for Integrated Circuits (IIS)(弗劳恩霍夫集成电路研究所);University of Freiburg(弗莱堡大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
近年来,自动机器学习(AutoML)的效率得到了极大的提高,特别是自动深度学习(AutoDL)系统,但最近的工作集中在表格,图像或NLP任务上。到目前为止,很少有人注意到一般的AutoDL框架的时间序列预测,尽管在应用不同的新架构,这些任务的巨大成功。在本文中,我们提出了一种有效的方法,用于联合优化神经结构和超参数的整个数据处理管道的时间序列预测。与常见的NAS搜索空间相比,我们设计了一种新的神经架构搜索空间,覆盖各种最先进的架构,允许在不同的DL方法上进行有效的宏搜索。为了有效地搜索在这样一个大的配置空间,我们使用贝叶斯优化与多保真度优化。我们实证研究了几种不同的预算类型,使有效的多保真度优化不同的预测数据集。此外,我们将我们的系统(称为\system)与几个已建立的基线进行了比较,并表明它在几个数据集上的性能明显优于所有基线。
2022-07-22 cs.LG
Automated Diagnosis of Lymphoma with Digital Pathology Images Using Deep Learning
University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
最近的研究表明,使用深度学习在整个载玻片成像中检测恶性肿瘤的结果很有希望。然而,它们仅限于预测特定肿瘤的阳性或阴性结果。我们尝试将深度学习与卷积神经网络算法结合使用,以构建四种诊断类别的淋巴瘤诊断模型:良性淋巴结、弥漫性大B细胞淋巴瘤、伯基特淋巴瘤和小淋巴细胞淋巴瘤。我们的软件是用Python语言编写的。我们获得了128个病例的苏木精和伊红染色切片的数字化全切片图像,每个诊断类别包括32个病例。每个病例拍摄四组5张代表性图像,尺寸为40 x40像素。总共获得了2,560张图像,其中1,856张用于训练,464张用于验证,240张用于测试。对于5个图像的每个测试集,从5个图像的预测组合预测诊断。测试结果显示,逐图像预测的诊断准确率为95%,逐集预测的诊断准确率为10%。这项初步研究为将自动淋巴瘤诊断筛查纳入未来的病理工作流程提供了概念证明,以提高病理学家的生产力。
2018-10-30 cs.CV cs.LG stat.ML
Automated Vulnerability Detection in Source Code Using Deep Representation Learning
Draper(德雷珀实验室);Boston University(波士顿大学)
每年都有越来越多的软件漏洞被发现,无论它们是公开报告的还是在专有代码中内部发现的。这些漏洞可能会造成严重的利用风险,并导致系统受损、信息泄露或拒绝服务。我们利用丰富的C和C++开源代码,使用机器学习开发了一个大规模的函数级漏洞检测系统。为了补充现有的标记漏洞数据集,我们编译了一个包含数百万个开源函数的庞大数据集,并使用三个不同的静态分析器精心挑选的结果进行标记,这些结果表明潜在的漏洞利用。标记的数据集可在https://osf.io/d45bw/上获得。使用这些数据集,我们开发了一个快速和可扩展的漏洞检测工具,基于深度特征表示学习,直接解释lexed源代码。我们评估了我们的工具的代码从两个真正的软件包和NIST SATE IV基准数据集。我们的研究结果表明,源代码的深度特征表示学习是一种很有前途的自动化软件漏洞检测方法。
2018-11-28 cs.AI cs.LG cs.SE
A3C-S: Automated Agent Accelerator Co-Search towards Efficient Deep Reinforcement Learning
Rice University(莱斯大学)
针对 DRL 端侧部署中智能体复杂性与硬件资源受限的矛盾,提出 A3C-S 框架,自动协同搜索匹配的智能体与加速器,以同时提升测试分数和硬件效率。
2025-01-04 cs.LG
Automated Theorem Proving in Intuitionistic Propositional Logic by Deep Reinforcement Learning
Preferred Networks, Inc.(首选网络公司)
自动定理证明(ATP)中的问题求解可以被解释为证明者逐步构造证明树的搜索问题。本文提出了一种用于直觉命题逻辑中证明搜索的深度强化学习算法。将深度学习应用于ATP的最大挑战是缺乏大型公共定理数据库。然而,我们通过在强化学习的每次迭代中应用新的数据增强过程来克服这个问题。我们还提高了算法的效率,通过一种新的紧凑图表示公式的语法结构。使用大量的扩充数据,我们训练高度精确的图神经网络,其近似公式的语法结构的集合的价值函数。我们的方法在计算时间方面也具有成本效益。我们将展示我们的证明器优于Coq的$\texttt{tauto}$策略,这是一种基于人类工程学的证明器。在指定的时间限制内,我们的证明器解决了基准库中84%的定理,而$\texttt{tauto}$只能解决52%。
2018-11-02 cs.AI cs.LG cs.LO
Towards Automated Deep Learning: Efficient Joint Neural Architecture and Hyperparameter Search
University of Freiburg(弗莱堡大学)
虽然神经架构搜索(NAS)的现有工作在一个单独的后处理步骤中调整超参数,但我们证明了架构选择和其他超参数设置以一种可以使这种分离次优的方式相互作用。同样,我们证明了在主NAS期间使用非常少的时期和在后处理步骤期间使用大量时期的常见做法是低效的,因为这两种训练方案的相对排名几乎没有相关性。为了解决这两个问题,我们建议使用贝叶斯优化和Hyperband的最新组合,以实现高效的联合神经架构和超参数搜索。
2018-07-18 cs.AI cs.CV cs.LG
Deep learning facilitates fully automated brain image registration of optoacoustic tomography and magnetic resonance imaging
ShanghaiTech University(上海科技大学);University of Zürich(苏黎世大学);ETH Zürich(苏黎世联邦理工学院)
多光谱光声断层成像(MSOT)是一种新兴的光学成像方法,可以提供来自啮齿动物大脑的多重分子和功能信息。磁共振成像(MRI)可以提供出色的软组织对比度和高分辨率的大脑解剖结构,从而大大增强其功能。然而,多模态图像的配准仍然具有挑战性,主要是由于这些模态呈现的完全不同的图像对比度。以前报道的配准算法主要依赖于手动用户依赖的大脑分割,这损害了数据解释和准确量化。在这里,我们提出了一种由深度学习授权的MSOT-MRI多模态成像的全自动配准方法。自动化工作流程包括基于神经网络的图像分割,以生成合适的掩模,随后使用附加的神经网络进行配准。该算法的性能与横截面MSOT和高场MRI临床前扫描仪采集的数据集一起展示。自动配准方法进一步验证与手动和半自动配准,证明其鲁棒性和准确性。
2021-09-04 cs.CV cs.LG eess.IV
A Deep-Learning Approach for Operation of an Automated Realtime Flare Forecast
Kwasan and Hida Observatories, Kyoto University(京都大学花山天文台与飞驒天文台);RIKEN Advanced Institute for Computational Science(理化学研究所计算科学研究院);Unit of Synergetic Studies for Space, Kyoto University(京都大学空间协同研究单元);BroadBand Tower, Inc.(BroadBand Tower 公司)
自动化预报在空间天气科学中发挥着重要作用,可从统计学角度深入了解耀斑触发机制,并可进行量身定制的预报和高频预报。只有通过实时预报,我们才能在实验上测量耀斑预报方法的性能,同时自信地避免过度学习。我们自2015年8月开始运营无人值守的耀斑预报服务,每12分钟提供一次太阳耀斑的24小时预报。我们报告的方法和预测结果的系统。
2016-06-06 astro-ph.SR cs.LG
Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging
The University of Melbourne(墨尔本大学)
针对医学影像面部关键点诊断中的自动标注难题,本文提出结合反馈机制与先进算法的迭代优化策略,以减少人工干预并提升标签质量及深度学习性能。
2024-04-08 cs.AI cs.CV cs.LG
A.R.I.S.: Automated Recycling Identification System for E-Waste Classification Using Deep Learning
Apple(苹果公司)
A.R.I.S.通过深度学习实现电子废弃物的高效自动分拣,提升材料回收效率并降低先进回收技术的门槛。
2026-02-19 cs.LG
Generalizing Decision Making for Automated Driving with an Invariant Environment Representation using Deep Reinforcement Learning
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(FZI信息技术研究中心)
应用于自动驾驶的数据驱动决策方法需要适当的泛化策略,以确保适用于世界的变化。当前的方法要么不能很好地概括超出训练数据的范围,要么不能考虑可变数量的交通参与者。因此,我们提出了一个不变的环境表示的角度来看,自我车辆。该表示对安全决策所需的所有信息进行编码。为了评估新的环境表示的泛化能力,我们训练我们的代理人在一个小的子集的情况下,并评估整个不同的情况。在这里,我们表明,代理人能够成功地推广到看不见的情况下,由于抽象。此外,我们提出了一个简单的闭塞模型,使我们的代理导航与闭塞的交叉点,而没有显着的性能变化。
2021-05-31 cs.LG
An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading
Northwestern University(西北大学)
提出一种深度强化学习集成方法,通过多验证期模型选择和混合分布策略,提升日内加密货币交易策略的泛化性能,优于单一强化学习及被动投资基准。
2023-07-27 cs.LG q-fin.TR
Deep Architectures for Automated Seizure Detection in Scalp EEGs
使用临床脑电图的自动癫痫发作检测是一个具有挑战性的机器学习问题,因为多通道信号通常具有极低的信噪比。感兴趣的事件(例如癫痫发作)容易与信号伪影(例如,眼球运动)或良性变体(例如,慢)。商业上可获得的系统遭受不可接受的高误报警率。由于缺乏大数据资源,采用高维模型的深度学习算法以前并不有效。在本文中,我们使用TUH EEG癫痫发作语料库来评估各种混合深层结构,包括卷积神经网络和长短期记忆网络。我们引入了一种新的递归卷积架构,每24小时提供7个假警报的30%灵敏度。我们还评估了我们的系统在杜克大学癫痫发作语料库的基础上举行了评估集,并证明性能趋势是类似的TUH EEG癫痫发作语料库。这是一个重要的发现,因为杜克语料库是在不同的医院用不同的仪器收集的。我们的工作表明,整合空间和时间背景的深度学习架构对于实现最先进的性能至关重要,并将实现新一代临床可接受的技术。
2017-12-28 cs.LG eess.SP q-bio.NC
Automated detection of Alzheimer disease using MRI images and deep neural networks- A review
JSS Academy of Higher Education and Research(JSS高等教育与研究学院);University of Delhi(德里大学)
早期发现阿尔茨海默病对于部署干预措施和减缓疾病进展至关重要。在过去的十年中,人们探索了许多机器学习和深度学习算法,旨在建立阿尔茨海默病的自动检测。数据增强技术和先进的深度学习架构的进步开辟了该领域的新前沿,研究正在快速发展。因此,这项调查的目的是概述最近关于阿尔茨海默病诊断的深度学习模型的研究。除了对众多数据源、神经网络架构和常用评估指标进行分类外,我们还对实现和可重复性进行了分类。我们的目标是帮助感兴趣的研究人员跟上最新的发展,并复制早期的调查作为基准。此外,我们还指出了该课题未来的研究方向。
2022-09-22 cs.CV cs.LG eess.IV
Automated Assessment of Transthoracic Echocardiogram Image Quality Using Deep Neural Networks
University of West London(西伦敦大学)
二维超声心动图中的标准视图已得到很好的建立,但采集图像的质量高度依赖于操作者的技能,并进行主观评估。本研究旨在通过定义一组新的特定领域质量指标,为超声心动图图像质量提供客观评估管道。因此,图像质量评估因此可以自动化以增强临床测量、解释和实时优化。我们开发了深度神经网络,用于自动评估从11,262名成人患者中随机抽样的超声心动图帧。私人超声心动图数据集包括33,784帧,之前在2010年至2020年期间采集。使用深度学习方法提取时空特征,并根据平均绝对误差评估图像质量指标。我们的质量指标包含解剖和病理元素,分别为解剖可见性、清晰度、深度增益和透视短缩提供多变量评估评分。
2022-09-02 cs.CV cs.LG cs.NE
Automated Problem Identification: Regression vs Classification via Evolutionary Deep Networks
University of Cape Town(开普敦大学);African Institute for Mathematical Sciences(非洲数学科学研究所);South African Astronomical Observatory(南非天文台)
回归还是分类?这可能是在处理新的监督学习问题时面临的最基本的问题。我们提出了一种进化深度学习(EDL)算法,该算法通过高精度地识别问题类型来自动解决这个问题,并提出了一个深度架构。通常,在执行机器学习算法之前需要大量的人类洞察力和准备。例如,当创建深度神经网络时,必须提前选择参数的数量,此外,许多这些选择是基于数据的预先存在的知识(例如使用分类交叉熵)做出的。损失函数。人类能够研究数据集并决定它是否代表分类或回归问题,从而做出将应用于神经网络执行的决策。我们提出了自动问题识别(API)算法,该算法使用TensorFlow的进化算法接口来操作深度神经网络,以决定数据集是代表分类还是回归问题。我们在16个不同的分类、回归和情感分析数据集上测试API,这些数据集包含多达10,000个特征和多达17,000个唯一目标值。API在识别问题类型方面达到了$96.3\%$的平均准确度,而无需对回归或分类问题的一般特征进行硬编码。例如,API成功地识别了1000个目标值的分类问题。此外,该算法推荐使用哪个损失函数,并且还推荐神经网络架构。因此,我们的工作是迈向全自动机器学习的一步。
2017-07-03 cs.AI cs.LG cs.NE
Unleashing the Potential of Unsupervised Deep Outlier Detection through Automated Training Stopping
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学)
针对深度异常检测模型对训练时间等超参数高度敏感且无标签难以选优的问题,提出损失熵指标与自动化训练停止算法,无需标签即可在最优迭代终止训练,提升模型鲁棒性与性能并显著减少训练时间。
2023-05-26 cs.LG
Deep Learning for Automated Medical Image Analysis
Microsoft Research(微软研究院);TuSimple(图森未来);Baidu Research(百度研究院);Tencent Medical AI Labs(腾讯医疗AI实验室);PingAn Tech(平安科技)
医学成像是许多医学应用领域的重要工具,用于诊断和治疗。然而,阅读医学图像和做出诊断或治疗建议需要经过专门培训的医学专家。目前读取医学图像的实践是劳动密集型的,耗时的,昂贵的,并且容易出错。更希望有一个计算机辅助系统,可以自动作出诊断和治疗建议。深度学习的最新进展使我们能够重新思考基于医学图像的临床诊断方法。在这篇论文中,我们将介绍1)用于检测乳腺癌的乳房X线照片,这是美国女性最常诊断的实体癌,2)用于检测肺癌的肺部CT图像,这是最常诊断的恶性肿瘤,3)用于放射治疗中危险器官自动描绘的头颈部CT图像。首先,我们将展示如何使用对抗性概念来生成改进乳房X线照片肿块分割的硬示例。其次,我们将演示如何通过有效地设计用于多实例学习的深度学习,将弱标记数据用于乳房X光检查乳腺癌诊断。第三,本文将走查DeepLung系统,它结合了深度3D ConvNets和GBM用于自动肺结节检测和分类。第四,我们将展示如何通过将深度学习与概率图形模型相结合,使用弱标记数据来改进现有的肺结节检测系统。最后,我们将展示AnatomyNet,它比以前的自动解剖分割方法快数千倍,更准确。
2019-03-12 cs.CV cs.LG cs.NE
Automated proof synthesis for propositional logic with deep neural networks
National Institute of Informatics(国立情报学研究所);Kyoto University(京都大学)
这项工作探索了深度学习的应用,深度学习是一种以深度神经网络(DNN)为核心的机器学习技术,它可以用于自动定理证明(ATP)问题。为此,我们构建了一个统计模型,量化的可能性,证明确实是一个正确的一个给定的命题。基于这个模型,我们给出了一个证明合成过程,搜索的顺序的可能性的证明。这个过程使用一个估计的可能性的推理规则被应用在每一步的证明。作为估计器的实现,我们提出了一个命题证明架构,这是一个DNN定制的自动证明合成问题。为了实证证明它的有用性,我们应用我们的模型来合成命题逻辑的证明。我们使用命题证明对的训练数据集训练命题证明模型。对基准集的评价显示了非常高的准确性和改进最近的工作的神经证明合成。
2018-05-30 cs.AI cs.LG cs.LO
Automated GI tract segmentation using deep learning
本文提出用深度学习自动化胃肠道分割,以加速放疗中器官勾画,缩短治疗时间,使更多患者受益。
2023-09-05 cs.CV cs.LG eess.IV
Automated ultrasound doppler angle estimation using deep learning
Goergen Institute for Data Science(戈尔根数据科学研究所);University of Rochester Medical Center(罗切斯特大学医学中心);University of Rochester(罗切斯特大学)
提出一种基于深度学习的自动化多普勒角度估计方法,使用2100张颈动脉超声图像及预训练模型,平均绝对误差3.9°-9.4°,最佳模型误差低于临床可接受阈值,可避免正常速度误判为狭窄。
2026-06-16 cs.AI cs.LG
Automated data processing and feature engineering for deep learning and big data applications: a survey
Cape Coast Technical University(海岸角技术大学);University of Mines and Technology(矿业与技术大学)
该综述全面梳理了深度学习与大数据应用中自动化数据处理与特征工程的方法,涵盖数据预处理、增强及特征工程,并探讨了AutoML在端到端流水线优化中的作用。
2024-03-19 cs.AI cs.DB cs.LG
Automated visual inspection of CMS HGCAL silicon sensor surface using an ensemble of a deep convolutional autoencoder and classifier
CERN(欧洲核子研究中心)
超过一千个8”硅传感器将在CERN CMS实验的高粒度量热计组装之前的质量控制期间进行目视检查,以寻找其表面上的异常。开发了一种基于深度学习的算法,可以实时预选传感器表面的潜在异常图像,以自动进行视觉检测。异常检测是由独立的深度卷积神经网络集成完成的:自动编码器和分类器。在生产中获取的图像上评估性能。预先选择将需要人工检查的图像数量减少了85%,召回率为97%。生产中收集的数据可用于持续学习,以逐步提高准确性。
2023-03-09 cs.CV cs.LG physics.ins-det
Automated Batch Distillation Process Simulation for a Large Hybrid Dataset for Deep Anomaly Detection
Fraunhofer Institute for Industrial Mathematics (ITWM)(弗劳恩霍夫工业数学研究所);Laboratory of Engineering Thermodynamics (LTD)(工程热力学实验室);RPTU Kaiserslautern(科隆大学(卡塞尔拉特恩分校))
本文通过结合实验数据与模拟数据构建混合数据集,实现批量蒸馏过程的自动化模拟,为深度异常检测提供新的数据基础。
2026-09-01 cs.LG
Towards automated Capability Assessment leveraging Deep Learning
Fraunhofer Institute for Manufacturing Engineering and Automation IPA(弗劳恩霍夫制造工程与自动化研究所)
为了提高制造业的经济效率,提高自动化程度是一个关键因素。然而,评估专用工艺的自动化装配解决方案的技术可行性是困难的,并且通常由给定产品零件的几何形状决定。其中,自动化可行性的决定性标准是分离和隔离单个部件的能力或在最终位置的部件自对准的能力。为了评估的可行性,一个基于问卷的评估方案已经开发和应用弗劳恩霍夫研究人员。然而,结果强烈地依赖于执行评估的单个工程师的隐含知识和经验。本文介绍了NeuroCAD,一个软件工具,使用体素化技术自动化的评估。该方法可以通过基于CAD文件的深度学习来评估抽象和生产相关的几何特征。
2022-01-28 cs.GR cs.LG cs.RO
DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification
University of California, Irvine(加州大学欧文分校);Baidu Research(百度研究院);Tencent Medical AI Lab(腾讯医疗人工智能实验室)
在这项工作中,我们提出了一个全自动的肺部计算机断层扫描(CT)癌症诊断系统,DeepLung。DeepLung由两个部分组成,结节检测(识别候选结节的位置)和分类(将候选结节分类为良性或恶性)。考虑到肺部CT数据的三维特性和双路径网络(DPN)的紧凑性,设计了两个深度三维DPN分别用于结节检测和分类。具体而言,具有卷积神经网络的3D快速区域(R-CNN)被设计用于具有3D双路径块和类似U网的编码器-解码器结构的结节检测,以有效地学习结节特征。对于结节分类,提出了具有三维双路径网络特征的梯度提升机(GBM)。结节分类子网络在LIDC-IDRI的公共数据集上进行了验证,其性能优于最先进的方法,并超过了基于图像模态的经验丰富的医生的性能。在DeepLung系统中,首先通过结节检测子网络检测候选结节,然后通过分类子网络进行结节诊断。大量的实验结果表明,DeepLung在LIDC-IDRI数据集上的结节级和患者级诊断方面的性能与经验丰富的医生相当。\footnote{https://github.com/uci-cbcl/DeepLung.git}
2018-01-25 cs.CV cs.LG cs.NE
AutoEG: Automated Experience Grafting for Off-Policy Deep Reinforcement Learning
University of Science and Technology of China(中国科学技术大学);SUNY Binghamton(纽约州立大学宾汉姆顿分校)
深度强化学习(RL)算法经常需要禁止交互经验以确保学习策略的质量。这种局限性部分是因为智能体在早期学习阶段不能从许多低质量的试验中学习到很多,这导致低学习率。针对这一局限性,本文做出了两方面的贡献。首先,我们开发了一种算法,称为经验嫁接(EG),使RL代理重新组织部分的几个高质量的轨迹从经验池生成许多合成轨迹,同时保持质量。其次,在EG的基础上,我们进一步开发了一个AutoEG代理,它可以自动学习调整基于移植的学习策略。从一组六个机器人控制环境中收集的结果表明,与标准深度RL算法(DDPG)相比,AutoEG将学习过程的速度提高了至少30%。
2020-04-23 cs.AI cs.LG
Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning
Emory University(埃默里大学);University Hospital Tübingen(图宾根大学医院);University of Tübingen(图宾根大学);Technische Universität Dresden(德累斯顿工业大学);German Center for Neurodegenerative Diseases (DZNE)(德国神经退行性疾病中心);FH Aachen University of Applied Sciences(亚琛应用技术大学)
睡眠评分是睡眠研究中一项必要且耗时的任务。在动物模型(如小鼠)或人类中,将这一繁琐的过程自动化有望促进长期研究,并促进睡眠生物学成为一个数据驱动的领域。我们引入了一个深度神经网络模型,该模型能够从EEG和EMG记录中预测小鼠的不同意识状态(清醒,非REM,REM),并对样本外数据进行了出色的评分。预测是在4秒长度的时期上进行的,并且时期被分类为无伪影或无伪影。模型架构借鉴了深度学习和卷积神经网络研究的最新进展。与以前的自动睡眠评分方法相比,我们的模型不依赖于手动定义的数据特征,而是自动学习预测特征。我们希望像我们这样的深度学习模型能够广泛应用于不同的领域,自动化许多以前难以解决的重复性认知任务。
2018-09-22 cs.LG q-bio.QM
A Comparative Analysis of Deep Reinforcement Learning-enabled Freeway Decision-making for Automated Vehicles
Clinical Research Center and Medical Pathology Center, Chongqing University Three Gorges Hospital, Chongqing University(重庆大学三峡医院临床研究中心及医学病理中心、重庆大学)
本文针对自动驾驶车辆高速公路决策问题,对比了DQL、DDQL等四种深度强化学习方法,通过仿真实验分析了不同方法的控制性能及其学习特性与驾驶效果的关联。
2023-10-08 cs.AI cs.LG
An Automated and Robust Image Watermarking Scheme Based on Deep Neural Networks
University of Nebraska Omaha(内布拉斯加大学奥马哈分校);New Jersey Institute of Technology(新泽西理工学院)
数字图像水印是在载体图像上隐蔽地嵌入和提取水印的过程。为了动态适应图像水印算法,基于深度学习的图像水印方案近年来引起了越来越多的关注。然而,现有的基于深度学习的水印方法既没有充分应用拟合能力来学习和自动化嵌入和提取算法,也没有同时实现鲁棒性和盲性的特性。提出了一种基于深度学习神经网络的鲁棒盲图像水印方案。为了最大限度地减少对领域知识的需求,利用深度神经网络的拟合能力来学习和推广自动图像水印算法。专门为图像水印任务设计了一个深度学习架构,它将以无监督的方式进行训练,以避免人为干预和注释。为了方便灵活的应用程序,所提出的方案的鲁棒性实现,而不需要任何先验知识或对抗性的例子可能的攻击。一个具有挑战性的情况下,从手机摄像头捕获的图像中提取水印证明了该建议的鲁棒性和实用性。实验、评估和应用案例证实了该方案的优越性。
2020-07-05 cs.LG cs.MM
Automated speech-based screening of depression using deep convolutional neural networks
Polish-Japanese Academy of Information Technology(波兰-日本信息技术学院);SWPS University of Social Sciences and Humanities(SWPS社会科学与人文大学)
早期发现和治疗抑郁症对于促进缓解、预防复发和减轻疾病的情感负担至关重要。目前的诊断主要是主观的,不一致的专业人士,和昂贵的个人谁可能是迫切需要帮助。本文提出了一种新的方法,自动抑郁症检测语音使用卷积神经网络(CNN)和多部分交互式训练。该模型进行了测试,使用2568语音样本从77个非抑郁症和30个抑郁症患者。在进行的实验中,数据以频谱图的形式应用于剩余CNN,从音频样本自动生成图像。使用不同的ResNet架构获得的实验结果给出了一个有希望的基线准确度达到77%。
2019-12-02 cs.CV cs.CY cs.LG
Automated Search for Configurations of Deep Neural Network Architectures
SnT, University of Luxembourg(卢森堡大学SnT)
深度神经网络(DNN)被广泛用于解决各种复杂问题。虽然功能强大,但此类系统需要手动配置和调优。为此,我们将DNN视为可配置的系统,并提出了一个端到端的框架,允许配置,评估和自动搜索DNN架构。因此,我们的贡献是三方面的。首先,我们用一个特征模型(FM)对DNN架构的可变性进行建模,该模型概括了现有架构。FM的每个有效配置对应于可以构建和训练的有效DNN模型。其次,我们在Tensorflow之上实现了一个自动化过程,用于部署、训练和评估已配置模型的性能。第三,我们提出了一种搜索配置的方法,并证明了它可以产生良好的DNN模型。我们通过将其应用于图像分类任务(MNIST,CIFAR-10)来评估我们的方法,并表明,在有限的计算和训练量下,我们的方法可以识别高性能的架构(具有高精度)。我们还证明了我们的性能优于ML研究人员手工制作的现有最先进的架构。我们的FM和框架已经发布%,并公开提供,以支持复制和未来的研究。
2019-04-09 cs.CV cs.LG
Automated Speed and Lane Change Decision Making using Deep Reinforcement Learning
Chalmers University of Technology(查尔姆斯理工大学);Volvo Group Trucks Technology(沃尔沃集团卡车技术公司)
介绍了一种基于深度强化学习的通用决策函数自动生成方法。在模拟环境中训练Deep Q-网络代理,以处理卡车-拖车组合的速度和车道变换决策。在高速公路驾驶的情况下,它表明,该方法产生的代理,匹配或超过常用的参考模型的性能。为了证明该方法的通用性,还通过在有迎面而来的车辆的道路上训练它来测试完全相同的算法。此外,还介绍了一种将卷积神经网络应用于表示可互换对象的高级输入的新方法。
2018-11-01 cs.AI cs.LG cs.RO
A Multi-Agent Deep Reinforcement Learning Coordination Framework for Connected and Automated Vehicles at Merging Roadways
University of Delaware(特拉华大学)
在高速公路上行驶的车辆数量的稳步增加继续加剧拥堵、事故、能源消耗和温室气体排放。新兴的移动系统,例如,互联和自动驾驶汽车(CAV)有可能直接解决这些问题,并提高运输网络的效率和安全性。在本文中,我们考虑了一个高速公路合并的情况下,并提出了一个框架,协调CAV,停止和去驾驶被淘汰。我们使用一种分散形式的行动者-批评者方法来进行深度强化学习$-$多智能体深度确定性策略梯度。我们通过数值模拟证明了CAV的协调性,并表明通过消除走走停停的驾驶来实现平稳的交通流。模拟结果的视频和图表可在本补充$\href{https://sites.google.com/view/ud-ids-lab/MADRL}{\text{site}}$中找到。
2022-03-14 cs.AI cs.LG cs.SY
Automated Deep Learning Estimation of Anthropometric Measurements for Preparticipation Cardiovascular Screening
Universidad Tecnológica Nacional(阿根廷国家理工大学)
本文提出自动化深度学习方法,用于从2D合成图像中精确估计五项体格测量,以提升运动员心血管筛查的效率和准确性。
2025-12-06 cs.CV cs.LG
Augmenting Automated Game Testing with Deep Reinforcement Learning
SEED - Electronic Arts (EA)(SEED - 艺电公司)
一般的游戏测试依赖于人类游戏测试人员的使用、游戏测试脚本以及感兴趣领域的先验知识来产生相关的测试数据。使用深度强化学习(DRL),我们将自学习机制引入游戏测试框架。通过DRL,该框架能够基于用户定义的强化奖励信号来探索和/或利用游戏机制。结果,测试覆盖率增加,并且在众多游戏类型中发现了意外的游戏机制、漏洞和错误。在本文中,我们表明,DRL可以用来增加测试覆盖率,发现漏洞,测试地图的难度,并检测常见的问题,出现在第一人称射击(FPS)游戏的测试。
2021-03-29 cs.AI cs.LG
Automated Detection of Acute Lymphoblastic Leukemia Subtypes from Microscopic Blood Smear Images using Deep Neural Networks
City University(城市大学)
据估计,每年有30万例新的白血病病例被诊断出来,占所有新癌症病例的2.8%,而且患病率正在日益上升。最危险和致命的白血病类型是急性淋巴细胞白血病(ALL),它影响所有年龄组的人,包括儿童和成人。在这项研究中,我们提出了一个自动化系统,使用深度神经网络(DNN)从显微镜血液涂片图像中检测各种形状的ALL原始细胞。该系统可以以98%的准确率检测ALL细胞的多种亚型。此外,我们已经开发了一个远程诊断软件,提供实时支持,以诊断所有亚型从显微镜血涂片图像。
2022-07-30 cs.AI cs.CV cs.LG
Automated Cloud Provisioning on AWS using Deep Reinforcement Learning
Synaptiq, LLC(Synaptiq有限责任公司);BlackSky(BlackSky公司)
随着云计算的使用不断增加,控制成本变得越来越重要。然而,有证据表明,30%-45%的云支出被浪费了。现有的云供应工具通常依赖于训练有素的人类专家来指定要监控的内容、触发动作的阈值和动作。在本文中,我们将探索使用强化学习(RL)来获取平衡性能和支出的策略,允许人们指定他们想要什么,而不是如何去做,从而最大限度地减少对云专业知识的需求。使用CloudSim模拟器进行表格式、深度和决斗式双深度Q学习的实证结果显示了RL的实用性和这些方法的相对优点。我们还演示了有效的策略迁移学习,从一个非常简单的模拟器到CloudSim,下一步是从CloudSim迁移到Amazon Web Services物理环境。
2017-09-19 cs.AI cs.DC cs.LG
QC-Automator: Deep Learning-based Automated Quality Control for Diffusion MR Images
University of Pennsylvania(宾夕法尼亚大学)
在进行任何分析之前,弥散MRI(dMRI)数据的质量评估至关重要,因此可以使用适当的预处理来提高数据质量,并确保MRI伪影的存在不会影响后续图像分析的结果。对数据进行人工质量评估是主观的,可能容易出错,也是不可行的,特别是考虑到越来越多的类似联合会的研究,强调需要自动化的过程。在本文中,我们为dMRI数据开发了一种基于深度学习的自动质量控制(QC)工具QC-Automator,它可以处理各种伪影,如运动、多波段交织、重影、磁化率、人字形和化学位移。QC-Automator使用卷积神经网络和迁移学习来训练在约332000个dMRI数据切片的标记数据集上进行自动伪影检测,这些数据来自155个独特的受试者和5个具有不同dMRI采集的扫描仪,伪影检测准确率达到98%。该方法是快速的,并铺平了道路,在大数据集的高效和有效的伪影检测。它也被证明是可复制的其他数据集与不同的采集参数。
2019-11-15 cs.CV cs.LG eess.IV
Auto deep learning for bioacoustic signals
Tilburg University(蒂尔堡大学);Naturalis Biodiversity Center(荷兰自然生物多样性中心)
本研究利用AutoKeras自动深度学习框架对西地中海湿地鸟类鸣声进行多类分类,验证其性能优于MobileNet、ResNet50和VGG16,并强调自动化方法在生物声学研究中的变革潜力。
2023-12-26 cs.AI cs.LG cs.SD
Decoding pedestrian and automated vehicle interactions using immersive virtual reality and interpretable deep learning
Ryerson University(瑞尔森大学)
为了确保在自动驾驶汽车时代行人友好的街道,重新评估城市地区的现行政策,做法,设计,规则和法规至关重要。本研究调查行人过街行为,作为城市动态的一个重要因素,预计将受到自动驾驶汽车的存在。为此,提出了一个可解释的机器学习框架,以探讨在自动驾驶汽车存在的情况下,影响行人在穿过中间街区人行横道前等待时间的因素。为了收集丰富的行为数据,我们开发了一个动态和沉浸式的虚拟现实实验,180名参与者来自大多伦多地区(GTA)4个不同地点的异质人群。然后使用数据驱动的Cox比例风险(CPH)模型分析行人等待时间行为,其中协变量的线性组合被灵活的非线性深度神经网络取代。所提出的模型在拟合优度方面实现了5%的改进,但更重要的是,使我们能够纳入更丰富的协变量集。一个基于博弈论的可解释性方法被用来了解不同的协变量的行人等待过马路前的时间的贡献。结果表明,道路上自动驾驶汽车的存在,更宽的车道宽度,道路上的高密度,有限的视线距离和缺乏步行习惯是导致等待时间延长的主要因素。我们的研究表明,为了向对残疾人友好的城市地区迈进,应考虑国家一级的儿童教育方案,加强老年人的安全措施,推广积极的交通方式,并修订交通规则和条例。
2021-01-05 cs.HC cs.LG
Training with Confidence: Catching Silent Errors in Deep Learning Training with Automated Proactive Checks
University of Michigan(密歇根大学)
针对深度学习训练中的静默错误,提出主动检查框架TRAINCHECK,自动推断不变量以检测错误并提供调试帮助,在20个真实错误中成功检测18个,并发现6个未知缺陷。
2025-06-06 cs.AI cs.LG
Automated Optical Multi-layer Design via Deep Reinforcement Learning
University of Michigan(密歇根大学);Inlight Technology Co., Ltd.(Inlight科技有限公司)
光学多层薄膜广泛应用于需要光子设计的光学和能源应用中。工程师们经常根据他们的物理直觉来设计这样的结构。然而,仅仅依靠人类专家可能是耗时的,并可能导致次优设计,特别是当设计空间很大时。在这项工作中,我们框架的多层光学设计任务作为一个序列生成问题。提出了一种用于高效生成光层序列的深度序列生成网络。我们训练具有邻近策略优化的深度序列生成网络,以生成具有所需特性的多层结构。该方法适用于两个能源应用。我们的算法成功地发现了高性能的设计,在任务1中超过了人类专家设计的结构,在任务2中超过了最先进的模因算法。
2020-06-21 cs.LG eess.SP physics.app-ph
Enhancing Kubernetes Automated Scheduling with Deep Learning and Reinforcement Techniques for Large-Scale Cloud Computing Optimization
Stevens Institute of Technology(斯蒂文斯理工学院);Johns Hopkins University(约翰斯·霍普金斯大学);North Carolina State University(北卡罗来纳州立大学);Trine University(特莱恩大学)
针对大规模云计算任务调度的复杂性与实时性需求,本文提出基于深度学习和强化学习的Kubernetes自动调度方案,通过实时监控预测与动态策略调整,实现资源最优利用和任务效率最大化。
2024-02-26 cs.AI cs.DC cs.LG