論文の概要: Recursive Deep Prior Video: a Super Resolution algorithm for Time-Lapse
Microscopy of organ-on-chip experiments
- arxiv url: http://arxiv.org/abs/2011.09855v1
- Date: Thu, 19 Nov 2020 14:36:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 21:45:14.663760
- Title: Recursive Deep Prior Video: a Super Resolution algorithm for Time-Lapse
Microscopy of organ-on-chip experiments
- Title（参考訳）: 再帰的ディーププリアービデオ:臓器オンチップ実験の時間経過顕微鏡のための超解像アルゴリズム
- Authors: Pasquale Cascarano, Maria Colomba Comes, Arianna Mencattini, Maria
Carla Parrini, Elena Loli Piccolomini, Eugenio Martinelli
- Abstract要約: 我々は、よく知られたDeep Image Prior(DIP)を、トレーニングを必要とせずにTLM Video Super Resolution(SR)に拡張する、新しいディープラーニングベースのアルゴリズムを提案する。
結果は、最先端の訓練されたディープラーニングSRアルゴリズムと比較され、優れた性能を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biological experiments based on organ-on-chips (OOCs) exploit light
Time-Lapse Microscopy (TLM) for a direct observation of cell movement that is
an observable signature of underlying biological processes. A high spatial
resolution is essential to capture cell dynamics and interactions from recorded
experiments by TLM. Unfortunately, due to physical and cost limitations,
acquiring high resolution videos is not always possible. To overcome the
problem, we present here a new deep learning-based algorithm that extends the
well known Deep Image Prior (DIP) to TLM Video Super Resolution (SR) without
requiring any training. The proposed Recursive Deep Prior Video (RDPV) method
introduces some novelties. The weights of the DIP network architecture are
initialized for each of the frames according to a new recursive updating rule
combined with an efficient early stopping criterion. Moreover, the DIP loss
function is penalized by two different Total Variation (TV) based terms. The
method has been validated on synthetic, i.e., artificially generated, as well
as real videos from OOC experiments related to tumor-immune interaction.
Achieved results are compared with several state-of-the-art trained deep
learning SR algorithms showing outstanding performances.
- Abstract（参考訳）: organ-on-chips (oocs) に基づく生物実験では、光時間経過顕微鏡 (tlm) を用いて、基礎となる生物学的過程の観察可能なシグネチャである細胞の動きを直接観察する。
高い空間分解能は、TLMによる記録実験から細胞動態と相互作用を捉えるのに不可欠である。
残念ながら、物理的およびコストの制限のため、高解像度ビデオの取得は必ずしも不可能ではない。
そこで本研究では,よく知られたDeep Image Prior(DIP)を,トレーニングを必要とせずにTLM Video Super Resolution(SR)に拡張する,ディープラーニングに基づく新しいアルゴリズムを提案する。
RDPV(Recursive Deep Prior Video)法では,新しい手法が提案されている。
DIPネットワークアーキテクチャの重みは、新しい再帰的更新ルールと効率的な早期停止基準とを組み合わせて、フレーム毎に初期化される。
さらに、DIP損失関数は2つの異なるトータル変分(TV)に基づいてペナル化される。
この方法は、合成、すなわち人工生成、および腫瘍と免疫の相互作用に関連するooc実験の実際のビデオで検証されている。
達成された結果は、最先端のトレーニングされたディープラーニングsrアルゴリズムと比較される。
関連論文リスト
- SSTFB: Leveraging self-supervised pretext learning and temporal self-attention with feature branching for real-time video polyp segmentation [4.027361638728112]
本稿では,自己教師型学習を補助課題として行うビデオポリープセグメンテーション手法と,表現学習を改善するための空間的時間的自己認識機構を提案する。
実験により, 現状技術(SOTA)法の改良が示された。
本研究は,Diceの類似度係数と交叉結合度の両方において,ネットワークの精度が3%以上,10%近く向上することが確認された。
論文 参考訳（メタデータ） (2024-06-14T17:33:11Z) - QN-Mixer: A Quasi-Newton MLP-Mixer Model for Sparse-View CT Reconstruction [0.0]
準ニュートン法に基づくアルゴリズムQN-Mixerを導入する。
Incept-Mixerは非局所正規化用語として機能する効率的なニューラルネットワークである。
我々のアプローチは知的に情報をサンプリングし、計算要求を大幅に削減する。
論文 参考訳（メタデータ） (2024-02-28T00:20:25Z) - Weakly-Supervised Surgical Phase Recognition [19.27227976291303]
本研究では,グラフ分割の概念と自己教師付き学習を結合して,フレーム単位の位相予測のためのランダムウォーク解を導出する。
腹腔鏡下胆嚢摘出術ビデオのColec80データセットを用いて実験を行い,本法の有効性を確認した。
論文 参考訳（メタデータ） (2023-10-26T07:54:47Z) - STIP: A SpatioTemporal Information-Preserving and Perception-Augmented
Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。
提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。
実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文 参考訳（メタデータ） (2022-06-09T09:49:04Z) - Deep Video Prior for Video Consistency and Propagation [58.250209011891904]
視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。
提案手法は,大規模なデータセットではなく,オリジナルビデオとプロセッシングビデオのペアでのみ訓練される。
我々は、Deep Video Priorでビデオ上で畳み込みニューラルネットワークをトレーニングすることで、時間的一貫性を実現することができることを示す。
論文 参考訳（メタデータ） (2022-01-27T16:38:52Z) - Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。
RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。
提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文 参考訳（メタデータ） (2021-11-18T11:44:04Z) - Blind Video Temporal Consistency via Deep Video Prior [61.062900556483164]
視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。
本手法は,一対のオリジナルビデオとプロセッシングビデオを直接トレーニングするのみである。
本稿では,Deep Video Priorを用いてビデオ上の畳み込みネットワークをトレーニングすることにより,時間的一貫性を実現することができることを示す。
論文 参考訳（メタデータ） (2020-10-22T16:19:20Z) - Investigating the Scalability and Biological Plausibility of the
Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。
このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。
また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文 参考訳（メタデータ） (2020-10-13T08:02:38Z) - A Variational Information Bottleneck Based Method to Compress Sequential
Networks for Human Action Recognition [9.414818018857316]
本稿では,人間行動認識(HAR)に用いるリカレントニューラルネットワーク(RNN)を効果的に圧縮する手法を提案する。
変分情報ボトルネック(VIB)理論に基づくプルーニング手法を用いて,RNNの逐次セルを流れる情報の流れを小さなサブセットに制限する。
我々は、圧縮を大幅に改善する特定のグループ・ラッソ正規化手法とプルーニング手法を組み合わせる。
提案手法は,UCF11上での動作認識の精度に比較して,最も近い競合に比べて70倍以上の圧縮を実現する。
論文 参考訳（メタデータ） (2020-10-03T12:41:51Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T11:40:09Z) - Consistent Video Depth Estimation [57.712779457632024]
モノクロ映像中の全画素に対して, 密度, 幾何的に整合した深度を再構成するアルゴリズムを提案する。
動画中の画素の幾何的制約を確立するために、従来の動きから再構成した構造を利用する。
我々のアルゴリズムは、手持ちの映像をある程度のダイナミックな動きで処理することができる。
論文 参考訳（メタデータ） (2020-04-30T17:59:26Z)
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。