論文の概要: Adaptive Partial Scanning Transmission Electron Microscopy with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2004.02786v8
• Date: Thu, 11 Mar 2021 16:55:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 05:25:56.069314
• Title: Adaptive Partial Scanning Transmission Electron Microscopy with Reinforcement Learning
• Title（参考訳）: 強化学習を用いた適応部分走査透過電子顕微鏡
• Authors: Jeffrey M. Ede
• Abstract要約: 本稿では,スキャン対象の検体へのスキャンパスを断片的に適応する連続スパーススキャンシステムの試作について述べる。 リカレントニューラルネットワークは強化学習によって訓練され、スパーススキャンを完了するフィードフォワード畳み込みニューラルネットワークと協調する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compressed sensing can decrease scanning transmission electron microscopy electron dose and scan time with minimal information loss. Traditionally, sparse scans used in compressed sensing sample a static set of probing locations. However, dynamic scans that adapt to specimens are expected to be able to match or surpass the performance of static scans as static scans are a subset of possible dynamic scans. Thus, we present a prototype for a contiguous sparse scan system that piecewise adapts scan paths to specimens as they are scanned. Sampling directions for scan segments are chosen by a recurrent neural network based on previously observed scan segments. The recurrent neural network is trained by reinforcement learning to cooperate with a feedforward convolutional neural network that completes the sparse scans. This paper presents our learning policy, experiments, and example partial scans, and discusses future research directions. Source code, pretrained models, and training data is openly accessible at https://github.com/Jeffrey-Ede/adaptive-scans
• Abstract（参考訳）: 圧縮センシングは、最小情報損失で走査透過電子顕微鏡電子線量と走査時間を減少させることができる。 伝統的に、圧縮センシングで使用されるスパーススキャンは、静的な探索位置のセットである。 しかしながら、検体に適応する動的スキャンは、静的スキャンが動的スキャンのサブセットであるため、静的スキャンのパフォーマンスにマッチまたは超えることが期待されている。 そこで本研究では,検体にスキャンパスを選択的に適応させる連続スパーススキャンシステムの試作について述べる。 スキャンセグメントのサンプリング方向は、以前に観測されたスキャンセグメントに基づいて、繰り返しニューラルネットワークによって選択される。 リカレントニューラルネットワークは強化学習によってトレーニングされ、スパーススキャンを完了したフィードフォワード畳み込みニューラルネットワークと連携する。 本稿では,学習方針,実験,部分スキャンの例を示し,今後の研究の方向性について述べる。 ソースコード、事前訓練されたモデル、トレーニングデータはhttps://github.com/Jeffrey-Ede/adaptive-scansで公開されている。

関連論文リスト

• Super-Resolution on Rotationally Scanned Photoacoustic Microscopy Images Incorporating Scanning Prior [12.947842858489516]
  光音響顕微鏡(PAM)画像は、光コントラストと音響分解能の利点を組み合わせた脳研究で広く利用されている。 走査速度と画像解像度の間にはトレードオフがあり、従来の走査と比較すると、回転走査は走査機構を最適化することで高速なPAMイメージングの好機となる。 本研究では,回転走査型PAMイメージングのための新しい高性能超解像フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-12T12:41:35Z)
• Are Deep Learning Classification Results Obtained on CT Scans Fair and Interpretable? [0.0]
  ほとんどの肺結節分類論文は、ディープラーニングを用いてランダムにシャッフルし、それをトレーニング、検証、テストセットに分割する。 対照的に、厳密な患者レベルの分離で訓練されたディープニューラルネットワークは、新しい患者画像が検査された場合でも、正確性を維持する。 厳密な患者レベルの分離で訓練されたディープニューラルネットワークの活性化のヒートマップの可視化は、関連する結節に対する集中度が高いことを示している。
  論文  参考訳（メタデータ） (2023-09-22T05:57:25Z)
• Multi-Scanner Canine Cutaneous Squamous Cell Carcinoma Histopathology Dataset [6.309771474997404]
  病理組織学では、スキャナによって誘導されるドメインシフトは、未知のデータでテストされた場合、トレーニングされたニューラルネットワークのパフォーマンスを妨げることが知られている。 犬皮膚扁平上皮癌の病理組織像のマルチスキャナーデータセットを公開している。
  論文  参考訳（メタデータ） (2023-01-11T12:02:10Z)
• Neural Space-filling Curves [47.852964985588486]
  画像の集合に対して文脈に基づくスキャン順序を推定するためのデータ駆動型手法を提案する。 本研究は,グラフベースニューラルネットワークを用いて,画像のデータセットから画像の空間的コヒーレントな線形順序付けを学習する。 画像圧縮などの下流アプリケーションでNeural SFCを使うことの利点を示す。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
  我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。 マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。 適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
  論文  参考訳（メタデータ） (2021-07-14T12:35:05Z)
• Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
  本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。 提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
  論文  参考訳（メタデータ） (2021-05-29T08:39:57Z)
• Training robust deep learning models for medical imaging tasks with spectral decoupling [0.0]
  スペクトル分離は、強いスプリアス相関を持つデータセット上でニューラルネットワークのトレーニングを可能にする。 スペクトルデカップリングで訓練されたネットワークは、異なる中心からのデータセットの重量減衰よりも精度を10パーセント向上させる。 その結果、スペクトル分離により、複数の中心にまたがってトレーニング可能なロバストなニューラルネットワークが利用可能であることが判明した。
  論文  参考訳（メタデータ） (2021-03-31T15:47:01Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
  訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。 トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-07T15:57:25Z)
• DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person Detection in 2D Range Data [81.06749792332641]
  本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。 DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。 DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
  論文  参考訳（メタデータ） (2020-04-29T11:01:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。