语义场景完成（SSC）是一个具有挑战性的计算机视觉任务，具有许多实际应用，从机器人到辅助计算。其目标是在场景的视野中推断3D几何图形和体素的语义标记，包括遮挡区域。在这项工作中，我们呈现出来，一种新型轻质多模式3D深CNN，其与来自BiMoDal 2D分段网络的语义前沿的RGB-D图像的深度分量无缝地熔化结构数据。这一领域的一个至关重要的困难是缺乏完全标记的现实世界3D数据集，足以训练当前的数据饥饿的深3d CNN。在2D计算机愿景任务中，已提出许多数据增强策略来改善CNN的泛化能力。但是，这些方法不能直接应用于RGB-D输入和SSC解决方案的输出量。在本文中，我们介绍了可以应用于多模式SSC网络的3D数据增强策略的使用。我们通过全面和可重复的消融研究验证我们的贡献。我们的解决方案始终如一地超越了以前的作品，具有类似的复杂程度。
translated by 谷歌翻译
由单一头皮电极（加上参考电极）捕获的时间序列用于预测癫痫发作的敏感性。时间序列进行预处理，分割，每个节段使用三种不同的已知方法转化为图像：复发图，Gramian Angular Field，Markov Transition Firt Field。通过平均CNN的SoftMax层的输出来计算，在未来预定义的时间窗口中发生癫痫发作的可能性与通常考虑分类层输出的情况不同。通过阈值这种可能性，癫痫发作的预测具有更好的性能。有趣的是，对于几乎每个患者，最佳阈值与50％不同。结果表明，该技术可以预测一些癫痫发作和患者的良好结果。但是，需要更多的测试，即更多的患者和更多的癫痫发作，以更好地了解该技术的真正潜力。
translated by 谷歌翻译