論文の概要: Self-supervised machine learning model for analysis of nanowire
morphologies from transmission electron microscopy images
- arxiv url: http://arxiv.org/abs/2203.13875v1
- Date: Fri, 25 Mar 2022 19:32:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 14:12:16.518523
- Title: Self-supervised machine learning model for analysis of nanowire
morphologies from transmission electron microscopy images
- Title（参考訳）: 透過電子顕微鏡画像からのナノワイヤ形態解析のための自己教師型機械学習モデル
- Authors: Shizhao Lu, Brian Montz, Todd Emrick, Arthi Jayaraman
- Abstract要約: 本稿では,少数のラベル付き顕微鏡画像を用いた自己教師ありトランスファー学習手法を提案する。
具体的には、ラベルのない画像で画像エンコーダを訓練し、そのエンコーダを用いて異なる下流画像タスクの変換学習を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the field of soft materials, microscopy is the first and often only
accessible method for structural characterization. There is a growing interest
in the development of machine learning methods that can automate the analysis
and interpretation of microscopy images. Typically training of machine learning
models require large numbers of images with associated structural labels,
however, manual labeling of images requires domain knowledge and is prone to
human error and subjectivity. To overcome these limitations, we present a
self-supervised transfer learning approach that uses a small number of labeled
microscopy images for training and performs as effectively as methods trained
on significantly larger data sets. Specifically, we train an image encoder with
unlabeled images and use that encoder for transfer learning of different
downstream image tasks (classification and segmentation) with a minimal number
of labeled images for training.
- Abstract（参考訳）: 軟質材料の分野では、顕微鏡は構造的特徴付けのための最初の、しばしばアクセス可能な方法である。
顕微鏡画像の解析と解釈を自動化できる機械学習手法の開発への関心が高まっている。
機械学習モデルのトレーニングは通常、関連する構造ラベルを持つ大量の画像を必要とするが、画像の手動ラベリングにはドメイン知識が必要であり、ヒューマンエラーや主観性が生じる。
これらの制約を克服するため,我々は,少数のラベル付き顕微鏡画像を用いた自己教師あり転送学習手法を提案する。
具体的には、ラベルのない画像で画像エンコーダを訓練し、そのエンコーダを使用して、異なる下流画像タスク(分類とセグメンテーション)の変換学習を、最小限のラベル付き画像でトレーニングする。
関連論文リスト
- DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。
我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
論文 参考訳（メタデータ） (2024-10-04T00:38:29Z) - 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) - Multi-domain learning CNN model for microscopy image classification [3.2835754110596236]
顕微鏡画像の分類のためのマルチドメイン学習アーキテクチャを提案する。
計算集約的な従来の方法とは異なり、Mobincepと呼ばれるコンパクトモデルを開発した。
最先端の結果を超え、ラベル付きデータに対して堅牢である。
論文 参考訳（メタデータ） (2023-04-20T19:32:23Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Learning with minimal effort: leveraging in silico labeling for cell and
nucleus segmentation [0.6465251961564605]
In Silico Labeling (ISL) をセグメンテーションタスクの事前学習手法として用いることを提案する。
いくつかのトレーニングセットサイズでセグメンテーション性能を比較することで、このようなスキームは必要なアノテーションの数を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2023-01-10T11:35:14Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Digital Fingerprinting of Microstructures [44.139970905896504]
微細な情報をフィンガープリントする効率的な方法を見つけることは、データ中心の機械学習アプローチを活用するための重要なステップである。
本稿では,マイクロ構造を分類し,その特徴を機械学習タスクに応用する。
特に、ImageNetデータセットで事前訓練された畳み込みニューラルネットワーク(CNN)によるトランスファーラーニングを利用するメソッドは、他の方法よりも優れていることが一般的に示されている。
論文 参考訳（メタデータ） (2022-03-25T15:40:44Z) - 3D fluorescence microscopy data synthesis for segmentation and
benchmarking [0.9922927990501083]
3次元蛍光顕微鏡のための現実的な画像データを生成するために、条件付き生成対向ネットワークを利用することができる。
細胞構造のさらなる位置条件付けにより、位置依存的な強度特性の再構築が可能となる。
パッチワイド動作原理とその後のフルサイズ再組み立て戦略を用いて、任意のサイズと異なる生物の画像データを生成する。
論文 参考訳（メタデータ） (2021-07-21T16:08:56Z) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳（メタデータ） (2021-03-24T16:24:20Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z)
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。