論文の概要: Single-shot self-supervised particle tracking
- arxiv url: http://arxiv.org/abs/2202.13546v1
- Date: Mon, 28 Feb 2022 05:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:25:48.288242
- Title: Single-shot self-supervised particle tracking
- Title（参考訳）: 単発自己監督粒子追跡
- Authors: Benjamin Midtvedt and Jes\'us Pineda and Fredrik Sk\"arberg and Erik
Ols\'en and Harshith Bachimanchi and Emelie Wes\'en and Elin K. Esbj\"orner
and Erik Selander and Fredrik H\"o\"ok and Daniel Midtvedt and Giovanni Volpe
- Abstract要約: 本研究では,1枚の未ラベル画像からサブピクセル精度で物体の追跡を学習する新しいディープラーニング手法を提案する。
LodeSTARは従来の手法よりも精度が高いことを示す。
単一のラベルのないイメージでディープラーニングモデルをトレーニングする機能のおかげで、LodeSTARは高品質の顕微鏡分析パイプラインの開発を加速することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle tracking is a fundamental task in digital microscopy. Recently,
machine-learning approaches have made great strides in overcoming the
limitations of more classical approaches. The training of state-of-the-art
machine-learning methods almost universally relies on either vast amounts of
labeled experimental data or the ability to numerically simulate realistic
datasets. However, the data produced by experiments are often challenging to
label and cannot be easily reproduced numerically. Here, we propose a novel
deep-learning method, named LodeSTAR (Low-shot deep Symmetric Tracking And
Regression), that learns to tracks objects with sub-pixel accuracy from a
single unlabeled experimental image. This is made possible by exploiting the
inherent roto-translational symmetries of the data. We demonstrate that
LodeSTAR outperforms traditional methods in terms of accuracy. Furthermore, we
analyze challenging experimental data containing densely packed cells or noisy
backgrounds. We also exploit additional symmetries to extend the measurable
particle properties to the particle's vertical position by propagating the
signal in Fourier space and its polarizability by scaling the signal strength.
Thanks to the ability to train deep-learning models with a single unlabeled
image, LodeSTAR can accelerate the development of high-quality microscopic
analysis pipelines for engineering, biology, and medicine.
- Abstract（参考訳）: 粒子追跡はデジタル顕微鏡の基本課題である。
近年、機械学習アプローチは、より古典的なアプローチの限界を克服するために大きな進歩を遂げている。
最先端の機械学習手法の訓練はほとんど普遍的に、大量のラベル付き実験データか、現実的なデータセットを数値的にシミュレートする能力に依存する。
しかし、実験によって生成されたデータはしばしばラベル付けが難しく、容易に数値的に再現できない。
本稿では,1枚のラベルのない実験画像からサブピクセル精度で物体の追跡を学習する,LodeSTAR(Low-shot Deep Symmetric Tracking And Regression)という新しいディープラーニング手法を提案する。
これは、データの固有のroto-translational symmetriesを利用して実現されている。
LodeSTARは従来の手法よりも精度が高いことを示す。
さらに,密集した細胞や雑音の背景を含む実験データを解析した。
また、フーリエ空間における信号の伝播と信号強度のスケーリングによる偏光性により、測定可能な粒子特性を粒子の垂直位置まで拡張するために追加の対称性を利用する。
単一のラベルのないイメージでディープラーニングモデルをトレーニングする機能のおかげで、LodeSTARはエンジニアリング、生物学、医学のための高品質な顕微鏡分析パイプラインの開発を加速することができる。
関連論文リスト
- Hyperspectral Lightcurve Inversion for Attitude Determination [0.9820957505036108]
宇宙船の姿勢と回転を推測するために、時系列の単画素分光測定が用いられる。
目的は最小限の情報で作業することであり、それ故に姿勢や慣性テンソルについて事前は利用できない。
結果は合成データに基づいて示される。
論文 参考訳（メタデータ） (2023-12-19T16:06:50Z) - Learning and Controlling Silicon Dopant Transitions in Graphene using
Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。
データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。
これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文 参考訳（メタデータ） (2023-11-21T21:51:00Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳（メタデータ） (2023-09-07T16:55:50Z) - Manifold Learning with Sparse Regularised Optimal Transport [0.17205106391379024]
実世界のデータセットはノイズの多い観測とサンプリングを受けており、基礎となる多様体に関する情報を蒸留することが大きな課題である。
本稿では,2次正規化を用いた最適輸送の対称版を利用する多様体学習法を提案する。
得られたカーネルは連続的な極限においてLaplace型演算子と整合性を証明し、ヘテロスケダスティックノイズに対する堅牢性を確立し、これらの結果をシミュレーションで示す。
論文 参考訳（メタデータ） (2023-07-19T08:05:46Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - Time Varying Particle Data Feature Extraction and Tracking with Neural
Networks [20.825102707056647]
我々は, 特徴抽出と追跡を支援するために, 科学的粒子データのための特徴表現を作成するために, 深層学習アプローチを採用する。
本研究では,局所近傍における空間的位置と物理的属性の関係を表現するために,潜在ベクトルを生成する深層学習モデルを用いる。
高速な特徴追跡を実現するために,特徴空間に平均シフト追跡アルゴリズムを適用した。
論文 参考訳（メタデータ） (2021-05-27T15:38:14Z) - Dominant motion identification of multi-particle system using deep
learning from video [0.0]
本研究では,高度システムの実世界映像から関連情報を抽出するディープラーニングフレームワークを提案する。
本手法は,アリ,シロアリ,魚の閉じ込められた多エージェント/粒子系のビデオで実証する。
さらに,これらの多様なシステムがどのようにして基礎となる振る舞いを予測できるかを考察する。
論文 参考訳（メタデータ） (2021-04-26T17:10:56Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2021-01-14T16:38:21Z) - 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) - Overcoming the curse of dimensionality with Laplacian regularization in
semi-supervised learning [80.20302993614594]
ラプラシア正規化の欠点を克服するための統計的解析を提供する。
望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。
我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
論文 参考訳（メタデータ） (2020-09-09T14:28:54Z) - A machine learning-based method for estimating the number and
orientations of major fascicles in diffusion-weighted magnetic resonance
imaging [7.032850705203263]
本稿では,ボクセル内のファシクルを正確に推定するマシンベース手法を提案する。
我々の手法はシミュレーションまたは実測値で訓練することができる。
論文 参考訳（メタデータ） (2020-06-19T13:07:45Z)
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。