論文の概要: Design of a Graphical User Interface for Few-Shot Machine Learning Classification of Electron Microscopy Data

• arxiv url: http://arxiv.org/abs/2107.10387v1
• Date: Wed, 21 Jul 2021 23:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 15:24:45.170203
• Title: Design of a Graphical User Interface for Few-Shot Machine Learning Classification of Electron Microscopy Data
• Title（参考訳）: 電子顕微鏡データのFew-Shot Machine Learning分類のためのグラフィカルユーザインタフェースの設計
• Authors: Christina Doty, Shaun Gallagher, Wenqi Cui, Wenya Chen, Shweta Bhushan, Marjolein Oostrom, Sarah Akers, Steven R. Spurgeon
• Abstract要約: 我々は,Python ベースのグラフィカルユーザインタフェースを開発し,エンドユーザが数発の学習モデルのアウトプットを容易に実行し,視覚化できるようにする。 このインターフェースは軽量で,ローカルあるいはWeb上でホストすることができる。
• 参考スコア（独自算出の注目度）: 0.23453441553817042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent growth in data volumes produced by modern electron microscopes requires rapid, scalable, and flexible approaches to image segmentation and analysis. Few-shot machine learning, which can richly classify images from a handful of user-provided examples, is a promising route to high-throughput analysis. However, current command-line implementations of such approaches can be slow and unintuitive to use, lacking the real-time feedback necessary to perform effective classification. Here we report on the development of a Python-based graphical user interface that enables end users to easily conduct and visualize the output of few-shot learning models. This interface is lightweight and can be hosted locally or on the web, providing the opportunity to reproducibly conduct, share, and crowd-source few-shot analyses.
• Abstract（参考訳）: 最近の電子顕微鏡によるデータ量の増加は、画像のセグメンテーションと分析に迅速でスケーラブルで柔軟なアプローチを必要とする。 少数のユーザが提供する例から画像をリッチに分類できる、ショットの少ない機械学習は、ハイスループット分析への有望な道のりだ。 しかし、このようなアプローチの現在のコマンドライン実装は、効果的に分類を行うのに必要なリアルタイムのフィードバックが欠如しているため、使用が遅くて直感的です。 本稿では,Python ベースのグラフィカルユーザインタフェースの開発について報告する。 このインターフェースは軽量で、ローカルまたはweb上でホストすることができ、再現性のある分析、共有、クラウドソースのマイナショット分析の機会を提供する。

関連論文リスト

• Evaluating how interactive visualizations can assist in finding samples where and how computer vision models make mistakes [1.76602679361245]
  コンピュータビジョン(CV)モデルを作成するシステムであるSpriteのコンテキストにおいて、2つのインタラクティブな可視化を提示する。 これらの視覚化は、Spriteのユーザがモデルに苦労している画像を特定し(評価)、(計画的な)画像を選択するのにどのように役立つかを調べる。
  論文  参考訳（メタデータ） (2023-05-19T14:43:00Z)
• Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
  われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。 デジタル病理学のための幅広い深層学習手法をサポートしている。 トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
  論文  参考訳（メタデータ） (2023-04-09T02:49:36Z)
• Interactive Visual Feature Search [8.255656003475268]
  視覚特徴探索(Visual Feature Search)は,任意のCNNに適応可能な,インタラクティブな可視化技術である。 このツールを使うと、ユーザーは画像領域をハイライトし、最もよく似たモデル機能を持つデータセットから画像を検索できる。 我々は,医療画像や野生生物の分類など,様々な応用実験を行うことで,モデル行動の異なる側面を解明する方法を実証する。
  論文  参考訳（メタデータ） (2022-11-28T04:39:03Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• 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)
• From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
  ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。 私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
  論文  参考訳（メタデータ） (2020-05-22T17:39:16Z)
• HistomicsML2.0: Fast interactive machine learning for whole slide imaging data [6.396738205632676]
  HistomicsML2.0は、機械学習分類器を高速に学習し、全スライディング画像データセットの組織学的パターンを検出する。 HistomicsML2.0は、さまざまなアプリケーションに容易に適応可能な畳み込みネットワークを使用し、Webベースのユーザインターフェースを提供し、デプロイを簡単にするためのソフトウェアコンテナとして利用できる。
  論文  参考訳（メタデータ） (2020-01-30T20:10:26Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。