Fugu-MT 論文翻訳(概要): Unsupervised Deep Learning Methods for Biological Image Reconstruction

論文の概要: Unsupervised Deep Learning Methods for Biological Image Reconstruction

arxiv url: http://arxiv.org/abs/2105.08040v1
Date: Mon, 17 May 2021 17:43:46 GMT
ステータス: 処理完了
システム内更新日: 2021-05-18 14:53:28.969840
Title: Unsupervised Deep Learning Methods for Biological Image Reconstruction
Title（参考訳）: 生物画像再構成のための教師なし深層学習法
Authors: Mehmet Ak\c{c}akaya, Burhaneddin Yaman, Hyungjin Chung, Jong Chul Ye
Abstract要約: 自己教師付き学習と生成モデルが様々な生物イメージングへの応用に成功している。本稿では,古典的逆問題の文脈におけるコヒーレントな視点からこれらのアプローチを概観し,生物イメージングへの応用について考察する。
参考スコア（独自算出の注目度）: 26.597711808519264
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, deep learning approaches have become the main research frontier for biological image reconstruction problems thanks to their high performance, along with their ultra-fast reconstruction times. However, due to the difficulty of obtaining matched reference data for supervised learning, there has been increasing interest in unsupervised learning approaches that do not need paired reference data. In particular, self-supervised learning and generative models have been successfully used for various biological imaging applications. In this paper, we overview these approaches from a coherent perspective in the context of classical inverse problems, and discuss their applications to biological imaging.
Abstract（参考訳）: 近年,深層学習手法は,その高性能化と超高速復元時間により,生物画像再構成問題の主要な研究分野となっている。しかし、教師付き学習のためのマッチング参照データを得ることが困難であるため、ペア型参照データを必要としない教師付き学習アプローチへの関心が高まっている。特に、自己教師付き学習と生成モデルは様々な生物学的イメージング応用に成功している。本稿では,古典的逆問題の文脈におけるコヒーレントな視点からこれらのアプローチを概観し,生物イメージングへの応用について考察する。

関連論文リスト

Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文参考訳（メタデータ） (2023-08-13T10:07:46Z)
See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging [15.382184404673389]
ディープラーニングモデルは、重要な特徴が部分的に、あるいは完全に排除された、困難なイメージに苦しむことが多い。本稿では,隠蔽された医用画像の処理を効果的に行うために,ディープラーニングモデルを訓練するためのカリキュラムベースの新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-06-27T15:53:20Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。本稿では,近年の長期学習の進歩を包括的に調査する。
論文参考訳（メタデータ） (2021-10-09T15:25:22Z)
Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文参考訳（メタデータ） (2021-09-28T20:22:44Z)
Model-based Reconstruction with Learning: From Unsupervised to Supervised and Beyond [8.847248042144681]
古典的モデルに基づく再構成手法を簡潔に議論し、モデルベースと学習ベースのパラダイムの交差点で再構成手法を詳細に検討する。このレビューには、教師なし学習、監督なし学習に基づく多くの最近の方法、および複数のタイプの学習モデルを組み合わせるためのフレームワークが含まれています。
論文参考訳（メタデータ） (2021-03-26T15:33:59Z)
Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
論文参考訳（メタデータ） (2021-03-04T20:58:22Z)
Deep Learning in Photoacoustic Tomography: Current approaches and future directions [2.631277214890658]
光音響トモグラフィーは、光吸収に基づく高解像度3次元軟組織像を提供することができる。高速画像形成の必要性とデータ取得の実践的制約が新たなイメージ再構築の課題を呈している。ディープ・ラーニング(ディープ・ニューラルネットワーク)やディープ・ニューラル・ネットワーク(ディープ・ニューラル・ネットワーク)がこの問題に多くの注目を集めている。
論文参考訳（メタデータ） (2020-09-16T11:33:29Z)
Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。異なる問題や再構築方法の分類に使用できる分類法を提案する。
論文参考訳（メタデータ） (2020-05-12T18:35:55Z)
Deep Learning-Based Solvability of Underdetermined Inverse Problems in Medical Imaging [3.2214522506924093]
本研究は,ディープラーニングに適したトレーニングデータの構造に関する因果関係を学習し,高度に過小評価された逆問題を解決することに焦点を当てた。医用画像における未決定線形システムの解法のほとんどは非線形である。さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、および過小判定システムから分析する。
論文参考訳（メタデータ） (2020-01-06T07:52:37Z)
Deep neural network models for computational histopathology: A survey [1.2891210250935146]
深層学習はがん組織像の分析と解釈において主流の方法論選択となりました本稿では,現在使われている最先端の深層学習手法について概説する。私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
論文参考訳（メタデータ） (2019-12-28T01:04:25Z)

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。