論文の概要: RepMode: Learning to Re-parameterize Diverse Experts for Subcellular Structure Prediction

• arxiv url: http://arxiv.org/abs/2212.10066v1
• Date: Tue, 20 Dec 2022 08:17:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 14:20:48.956351
• Title: RepMode: Learning to Re-parameterize Diverse Experts for Subcellular Structure Prediction
• Title（参考訳）: RepMode: 細胞構造予測のための様々な専門家の再パラメータ化の学習
• Authors: Donghao Zhou, Chunbin Gu, Junde Xu, Furui Liu, Qiong Wang, Guangyong Chen, Pheng-Ann Heng
• Abstract要約: 細胞内構造予測(SSP)と呼ばれる深層学習タスクとして扱う。 SSPは3次元透過光画像から複数の細胞内構造の3次元蛍光画像を予測することを目的としている。 RepModeは、特定の単一ラベル予測タスクを処理するために、タスク対応の事前処理でパラメータを動的に整理するネットワークである。
• 参考スコア（独自算出の注目度）: 54.69195221765405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In subcellular biological research, fluorescence staining is a key technique to reveal the locations and morphology of subcellular structures. However, fluorescence staining is slow, expensive, and harmful to cells. In this paper, we treat it as a deep learning task termed subcellular structure prediction (SSP), aiming to predict the 3D fluorescent images of multiple subcellular structures from a 3D transmitted-light image. Unfortunately, due to the limitations of current biotechnology, each image is partially labeled in SSP. Besides, naturally, the subcellular structures vary considerably in size, which causes the multi-scale issue in SSP. However, traditional solutions can not address SSP well since they organize network parameters inefficiently and inflexibly. To overcome these challenges, we propose Re-parameterizing Mixture-of-Diverse-Experts (RepMode), a network that dynamically organizes its parameters with task-aware priors to handle specified single-label prediction tasks of SSP. In RepMode, the Mixture-of-Diverse-Experts (MoDE) block is designed to learn the generalized parameters for all tasks, and gating re-parameterization (GatRep) is performed to generate the specialized parameters for each task, by which RepMode can maintain a compact practical topology exactly like a plain network, and meanwhile achieves a powerful theoretical topology. Comprehensive experiments show that RepMode outperforms existing methods on ten of twelve prediction tasks of SSP and achieves state-of-the-art overall performance.
• Abstract（参考訳）: 細胞内生物研究において、蛍光染色は細胞内構造の位置と形態を明らかにする重要な技術である。 しかし、蛍光染色は遅く、高価で、細胞に有害である。 本稿では,3次元透過光画像から複数の細胞内構造の3次元蛍光画像を予測することを目的とした,ssp(subcellular structure prediction)と呼ばれる深層学習タスクとして扱う。 残念ながら、現在のバイオテクノロジーの限界により、各画像は部分的にSSPにラベル付けされている。 さらに、自然に細胞下構造はサイズが大きく異なり、sspのマルチスケール問題の原因となっている。 しかし、従来のソリューションではネットワークパラメータを非効率的かつ非フレキシブルに整理するため、sspにうまく対処できない。 これらの課題を克服するために,SSPの特定の単一ラベル予測タスクを処理するために,タスク認識の事前処理によりパラメータを動的に整理するネットワークであるRepModeを提案する。 repmodeでは、mixed-of-diverse-experts(mode)ブロックは、すべてのタスクの一般化パラメータを学習するために設計され、gating re-parameterization(gatrep)は、各タスクの特別なパラメータを生成するために行われ、repmodeはプレーンネットワークのようにコンパクトな実用トポロジを維持でき、一方で強力な理論的トポロジーを達成する。 総合的な実験により、RepModeはSSPの12の予測タスクのうち10の既存のメソッドよりも優れ、最先端の全体的なパフォーマンスを実現する。

関連論文リスト

• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• More Experts Than Galaxies: Conditionally-overlapping Experts With Biologically-Inspired Fixed Routing [5.846028298833611]
  Conditionally Overlapping Mixture of ExperTs (COMET) は、モジュラーでスパースなアーキテクチャを、指数関数的に重複する専門家数で誘導する一般的なディープラーニング手法である。 画像分類,言語モデリング,回帰といったタスクにおけるCOMETの有効性を示す。
  論文  参考訳（メタデータ） (2024-10-10T14:58:18Z)
• SparseSSP: 3D Subcellular Structure Prediction from Sparse-View Transmitted Light Images [6.336161592992873]
  従来の蛍光染色は、生きた細胞に光毒性があり、遅くて高価である。 従来のアプローチでは、1対1のボクセルレベルの密度予測に3Dネットワークを使用している。 本研究では,ターゲットボクセル格子内の蛍光強度を予測する効率的なフレームワークであるSparseSSPを提案する。
  論文  参考訳（メタデータ） (2024-07-02T11:08:51Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Self-Supervised Representation Learning for Nerve Fiber Distribution Patterns in 3D-PLI [36.136619420474766]
  3D-PLI(3D-PLI)は、高分解能の髄質神経線維の微細構造を観察できる顕微鏡イメージング技術である。 3D-PLIにおけるファイバアーキテクチャのオブザーバ非依存的特徴付けのためのベストプラクティスはまだ提供されていない。 自己教師付き表現学習を用いた3次元PLI画像における神経線維構造を特徴付けるための完全データ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-30T17:49:53Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• RDCNet: Instance segmentation with a minimalist recurrent residual network [0.14999444543328289]
  我々は、リカレント拡張畳み込みネットワーク(RDCNet)と呼ばれる最小限のリカレントネットワークを提案する。 RDCNetは、その出力を反復的に洗練し、解釈可能な中間予測を生成する共有スタック拡張畳み込み(sSDC)層で構成されている。 我々は,H&Eスライドの核セグメンテーション,光シート蛍光顕微鏡による3次元異方性スタック,およびトップビュー画像の葉セグメンテーションの3つのタスクに対して,その汎用性を実証した。
  論文  参考訳（メタデータ） (2020-10-02T13:36:45Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)

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。