論文の概要: FakET: Simulating Cryo-Electron Tomograms with Neural Style Transfer
- arxiv url: http://arxiv.org/abs/2304.02011v2
- Date: Tue, 18 Jul 2023 14:45:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 19:09:15.452616
- Title: FakET: Simulating Cryo-Electron Tomograms with Neural Style Transfer
- Title(参考訳): faket:neural style transferでcryo-electrontomogramをシミュレートする
- Authors: Pavol Harar, Lukas Herrmann, Philipp Grohs, David Haselbach
- Abstract要約: パーティクルローカライゼーションと-クラス化は、計算顕微鏡における最も基本的な2つの問題である。
ディープラーニングベースのアプローチがこれらのタスクに導入され、大きな成功を収めています。
これらの教師付き学習手法の重要な欠点は、大規模なトレーニングデータセットの必要性である。
本稿では, 付加雑音とニューラルスタイル伝達技術に基づいて, 電子顕微鏡のフォワード演算子をシミュレートする手法を提案する。
- 参考スコア(独自算出の注目度): 4.578469978594752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle localization and -classification constitute two of the most
fundamental problems in computational microscopy. In recent years, deep
learning based approaches have been introduced for these tasks with great
success. A key shortcoming of these supervised learning methods is their need
for large training data sets, typically generated from particle models in
conjunction with complex numerical forward models simulating the physics of
transmission electron microscopes. Computer implementations of such forward
models are computationally extremely demanding and limit the scope of their
applicability. In this paper we propose a method for simulating the forward
operator of an electron microscope based on additive noise and Neural Style
Transfer techniques. We evaluate the method on localization and classification
tasks using one of the established state-of-the-art architectures showing
performance on par with the benchmark. In contrast to previous approaches, our
method accelerates the data generation process by a factor of 750 while using
33 times less memory and scales well to typical transmission electron
microscope detector sizes. It utilizes GPU acceleration and parallel
processing. It can be used to adapt a synthetic training data set according to
reference data from any transmission electron microscope. The source code is
available at https://gitlab.com/deepet/faket.
- Abstract(参考訳): 粒子の局在と分類は、計算顕微鏡における2つの基本的な問題である。
近年,これらの課題に対してディープラーニングに基づくアプローチが導入され,大きな成功を収めている。
これらの教師付き学習法の重要な欠点は、透過電子顕微鏡の物理をシミュレートする複雑な数値フォワードモデルとともに、粒子モデルから生成される大規模なトレーニングデータセットの必要性である。
このようなフォワードモデルのコンピュータ実装は計算上極めて必要であり、適用範囲を制限している。
本稿では, 付加雑音とニューラルスタイル転送技術に基づく, 電子顕微鏡のフォワード演算子をシミュレーションする手法を提案する。
提案手法は,既存の最先端アーキテクチャの1つを用いて,その性能をベンチマークと同等に評価する。
従来の手法とは対照的に,従来の透過型電子顕微鏡検出器のサイズに対して33倍のメモリを消費しながら,750倍の速度でデータ生成プロセスを加速する手法である。
GPUアクセラレーションと並列処理を利用する。
任意の透過型電子顕微鏡からの参照データに従って合成トレーニングデータセットを適応させるために使用できる。
ソースコードはhttps://gitlab.com/deepet/faket.comで入手できる。
関連論文リスト
- Transfer learning for atomistic simulations using GNNs and kernel mean
embeddings [24.560340485988128]
本稿では, グラフニューラルネットワーク(GNN)を用いて, カーネル平均埋め込みとともに, 化学環境を表現するトランスファー学習アルゴリズムを提案する。
我々は,複雑性を増大させる一連の現実的なデータセットに対して,我々のアプローチを検証し,優れた一般化と伝達可能性性能を示す。
論文 参考訳(メタデータ) (2023-06-02T14:58:16Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳(メタデータ) (2023-05-10T11:10:09Z) - X-TIME: An in-memory engine for accelerating machine learning on tabular
data with CAMs [19.086291506702413]
現代的なツリーベースの機械学習モデルは、構造化データから関連する情報を抽出する。
本研究では,新たな精度向上型アナログCAMを実装したアナログデジタルアーキテクチャを提案する。
16nm技術の単一チップで評価した結果、最先端のGPUと比較して119倍のレイテンシで9740倍のスループットを示した。
論文 参考訳(メタデータ) (2023-04-03T18:20:31Z) - Simulation-Based Parallel Training [55.41644538483948]
このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。
トレーニングプロセスと並行してデータを生成する。
このバイアスをメモリバッファで軽減する戦略を提案する。
論文 参考訳(メタデータ) (2022-11-08T09:31:25Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳(メタデータ) (2022-09-01T17:05:20Z) - SHREC 2021: Classification in cryo-electron tomograms [13.443446070180562]
低温電子トモグラフィ(Cryo-ET)は、マクロ分子集合体の3次元可視化を可能にするイメージング技術である。
Cryo-ETには、主に低信号のノイズと、すべての角度から画像を取得することができない、いくつかの課題がある。
トモグラフィーにおける生体高分子の局在化と分類の異なる方法のベンチマークを行うための,新しいシミュレーションデータセットを生成する。
論文 参考訳(メタデータ) (2022-03-18T16:08:22Z) - Bandgap optimization in combinatorial graphs with tailored ground
states: Application in Quantum annealing [0.0]
Pottsモデルのパラメータ推定にはMILP(mixed-integer linear programming)の定式化を提案する。
2つのアルゴリズムが開発され、第1の手法は、基底状態の集合がユーザの指定したデータセットを複製するパラメータを推定する。
論文 参考訳(メタデータ) (2021-01-31T22:11:12Z) - Exploring Generative Adversarial Networks for Image-to-Image Translation
in STEM Simulation [0.0]
畳み込み法により生成されたSTEM画像を高精度なマルチスライス画像の予測に変換しようとする深層学習モデルについて検討する。
ディープラーニングモデルであるGenerative Adrial Network(GAN)を使用することで、最適な結果が得られ、同一データセット上の従来の回帰モデルと同等の精度で処理できることがわかった。
論文 参考訳(メタデータ) (2020-10-29T02:14:57Z) - 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) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳(メタデータ) (2020-05-05T08:00:07Z)
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。