論文の概要: Ensemble of Pre-Trained Neural Networks for Segmentation and Quality Detection of Transmission Electron Microscopy Images

• arxiv url: http://arxiv.org/abs/2209.01908v1
• Date: Mon, 5 Sep 2022 11:15:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 12:29:28.396237
• Title: Ensemble of Pre-Trained Neural Networks for Segmentation and Quality Detection of Transmission Electron Microscopy Images
• Title（参考訳）: 透過電子顕微鏡画像のセグメンテーションと品質検出のための事前学習ニューラルネットワークの組み立て
• Authors: Arun Baskaran, Yulin Lin, Jianguo Wen, Maria K.Y. Chan
• Abstract要約: この研究では、事前学習されたニューラルネットワークの2種類のアンサンブルが実装された。 アンサンブルは2相混合で氷結晶のセマンティックセグメンテーションを行った。 EAとERのパフォーマンスは,精度,キャリブレーション,不確実性の3つの指標で評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated analysis of electron microscopy datasets poses multiple challenges, such as limitation in the size of the training dataset, variation in data distribution induced by variation in sample quality and experiment conditions, etc. It is crucial for the trained model to continue to provide acceptable segmentation/classification performance on new data, and quantify the uncertainty associated with its predictions. Among the broad applications of machine learning, various approaches have been adopted to quantify uncertainty, such as Bayesian modeling, Monte Carlo dropout, ensembles, etc. With the aim of addressing the challenges specific to the data domain of electron microscopy, two different types of ensembles of pre-trained neural networks were implemented in this work. The ensembles performed semantic segmentation of ice crystal within a two-phase mixture, thereby tracking its phase transformation to water. The first ensemble (EA) is composed of U-net style networks having different underlying architectures, whereas the second series of ensembles (ER-i) are composed of randomly initialized U-net style networks, wherein each base learner has the same underlying architecture 'i'. The encoders of the base learners were pre-trained on the Imagenet dataset. The performance of EA and ER were evaluated on three different metrics: accuracy, calibration, and uncertainty. It is seen that EA exhibits a greater classification accuracy and is better calibrated, as compared to ER. While the uncertainty quantification of these two types of ensembles are comparable, the uncertainty scores exhibited by ER were found to be dependent on the specific architecture of its base member ('i') and not consistently better than EA. Thus, the challenges posed for the analysis of electron microscopy datasets appear to be better addressed by an ensemble design like EA, as compared to an ensemble design like ER.
• Abstract（参考訳）: 電子顕微鏡データセットの自動解析は、トレーニングデータセットのサイズの制限、サンプルの品質の変化によるデータ分布の変化、実験条件など、複数の課題をもたらす。 訓練されたモデルは、新しいデータに対して許容されるセグメンテーション/分類性能を提供し続け、その予測に関連する不確実性を定量化することが重要である。 機械学習の幅広い応用の中で、ベイジアンモデリング、モンテカルロのドロップアウト、アンサンブルなど、不確実性を定量化する様々なアプローチが採用されている。 本研究では,電子顕微鏡のデータ領域に特有の課題に対処するため,2種類の事前学習ニューラルネットワークのアンサンブルを実装した。 アンサンブルは2相混合液中で氷結晶のセグメンテーションを行い、水への相転移を追跡した。 第1のアンサンブル(EA)は、異なる基盤アーキテクチャを持つU-netスタイルのネットワークで構成され、第2のアンサンブル(ER-i)はランダムに初期化されたU-netスタイルのネットワークで構成されている。 ベース学習者のエンコーダはImagenetデータセットで事前トレーニングされた。 EAとERのパフォーマンスは,精度,キャリブレーション,不確実性の3つの指標で評価した。 EAはERと比較して分類精度が高く、校正も良好である。 これらの2種類のアンサンブルの不確かさの定量化は同等であるが、ERが示した不確実性スコアは基礎メンバーの特定の構造('i')に依存しており、EAより一貫して優れているわけではない。 したがって、電子顕微鏡データセットの分析に求められる課題は、ERのようなアンサンブル設計と比較して、EAのようなアンサンブル設計によって対処されているように見える。

関連論文リスト

• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Role of Structural and Conformational Diversity for Machine Learning Potentials [4.608732256350959]
  量子力学におけるデータバイアスとモデル一般化の関係について検討する。 この結果から,一般化指標の微妙なパターンが明らかになった。 これらの知見は、QMデータ生成のための貴重な洞察とガイドラインを提供する。
  論文  参考訳（メタデータ） (2023-10-30T19:33:12Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Using Mixed-Effect Models to Learn Bayesian Networks from Related Data Sets [0.04297070083645048]
  混合効果モデルを用いて連続データからベイズネットワークを学習するための類似解を提供する。 本研究では,その構造,パラメトリック,予測,分類の精度について検討する。 この改善は、低いサンプルサイズとバランスの取れないデータセットに特徴付けられる。
  論文  参考訳（メタデータ） (2022-06-08T08:32:32Z)
• Correlator Convolutional Neural Networks: An Interpretable Architecture for Image-like Quantum Matter Data [15.283214387433082]
  本研究では,物理オブザーバブルの観点から直接解釈可能なデータの特徴を発見するネットワークアーキテクチャを開発する。 私たちのアプローチは、シンプルでエンドツーエンドの解釈可能なアーキテクチャの構築に役立ちます。
  論文  参考訳（メタデータ） (2020-11-06T17:04:10Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。