論文の概要: Synthetic Image Rendering Solves Annotation Problem in Deep Learning Nanoparticle Segmentation

• arxiv url: http://arxiv.org/abs/2011.10505v1
• Date: Fri, 20 Nov 2020 17:05:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:49:08.469935
• Title: Synthetic Image Rendering Solves Annotation Problem in Deep Learning Nanoparticle Segmentation
• Title（参考訳）: 深層学習ナノ粒子セグメンテーションにおける合成画像レンダリングSolvesアノテーション問題
• Authors: Leonid Mill, David Wolff, Nele Gerrits, Patrick Philipp, Lasse Kling, Florian Vollnhals, Andrew Ignatenko, Christian Jaremenko, Yixing Huang, Olivier De Castro, Jean-Nicolas Audinot, Inge Nelissen, Tom Wirtz, Andreas Maier, Silke Christiansen
• Abstract要約: レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成して、最先端の深層ニューラルネットワークをトレーニングできることが示される。 有害な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出する。
• 参考スコア（独自算出の注目度）: 5.927116192179681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nanoparticles occur in various environments as a consequence of man-made processes, which raises concerns about their impact on the environment and human health. To allow for proper risk assessment, a precise and statistically relevant analysis of particle characteristics (such as e.g. size, shape and composition) is required that would greatly benefit from automated image analysis procedures. While deep learning shows impressive results in object detection tasks, its applicability is limited by the amount of representative, experimentally collected and manually annotated training data. Here, we present an elegant, flexible and versatile method to bypass this costly and tedious data acquisition process. We show that using a rendering software allows to generate realistic, synthetic training data to train a state-of-the art deep neural network. Using this approach, we derive a segmentation accuracy that is comparable to man-made annotations for toxicologically relevant metal-oxide nanoparticle ensembles which we chose as examples. Our study paves the way towards the use of deep learning for automated, high-throughput particle detection in a variety of imaging techniques such as microscopies and spectroscopies, for a wide variety of studies and applications, including the detection of plastic micro- and nanoparticles.
• Abstract（参考訳）: ナノ粒子は人工プロセスの結果、様々な環境に発生するため、環境や人間の健康への影響が懸念される。 適切なリスクアセスメントを可能にするために、自動画像解析手順から大いに恩恵を受ける粒子特性(大きさ、形状、組成など)の正確かつ統計的に関連する分析が必要である。 ディープラーニングはオブジェクト検出タスクにおいて印象的な結果を示すが、その適用性は、実験的な収集と手動のトレーニングデータによって制限される。 本稿では,この高価で面倒なデータ取得プロセスを回避し,エレガントでフレキシブルで汎用的な手法を提案する。 レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成し、最先端の深層ニューラルネットワークをトレーニングできることを示す。 本手法を用いて, 有毒な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出した。 本研究は, マイクロスコープや分光法などの様々なイメージング技術において, 深層学習による高出力粒子検出への取り組みを, プラスチックマイクロ粒子やナノ粒子の検出など, 幅広い研究・応用に向けて進めるものである。

関連論文リスト

• A robust synthetic data generation framework for machine learning in High-Resolution Transmission Electron Microscopy (HRTEM) [1.0923877073891446]
  Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。 ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。 この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
  論文  参考訳（メタデータ） (2023-09-12T10:44:15Z)
• Deep Learning of Crystalline Defects from TEM images: A Solution for the Problem of "Never Enough Training Data" [0.0]
  In-situ TEM実験は、転位がどのように振る舞うか、動きについて重要な洞察を与えることができる。 個々のビデオフレームの分析は有用な洞察を提供するが、自動識別の能力によって制限される。 本研究では,転位セグメンテーションのための合成トレーニングデータを生成するパラメトリックモデルを開発した。
  論文  参考訳（メタデータ） (2023-07-12T17:37:46Z)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Combining Variational Autoencoders and Physical Bias for Improved Microscopy Data Analysis [0.0]
  本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。 本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。 その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-02-08T17:35:38Z)
• SYNTA: A novel approach for deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data [2.1616289178832666]
  我々は,合成,フォトリアリスティック,高度に複雑なバイオメディカルイメージをトレーニングデータとして生成するための新しいアプローチとして,Synta(synthetic data)を紹介した。 手動のアノテーションを必要とせずに、以前に見つからなかった実世界のデータに対して、堅牢で専門家レベルのセグメンテーションタスクを実行することが可能であることを実証した。
  論文  参考訳（メタデータ） (2022-07-29T12:50:32Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
  本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。 提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
  論文  参考訳（メタデータ） (2021-08-30T19:45:07Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。