論文の概要: Localization of Ultra-dense Emitters with Neural Networks

• arxiv url: http://arxiv.org/abs/2305.05542v1
• Date: Sun, 7 May 2023 19:20:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 12:22:35.072267
• Title: Localization of Ultra-dense Emitters with Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた超高密度エミッタの局所化
• Authors: Armin Abdehkakha and Craig Snoeyink
• Abstract要約: 本稿では,独立したエミッタ仮定を拒否するユニークなアーキテクチャを用いたLUENNというディープ畳み込みニューラルネットワークを提案する。 完全に孤立しているものから、同じ位置にあるものまで、放射体を円滑に収容することができる。 このアーキテクチャは、正確な位置不確かさを推定すると共に、使用可能なエミッタ密度の範囲を、マイクロメートルあたり6から31エミッタまで拡大し、局所化精度へのペナルティを低減し、時間分解能を改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-Molecule Localization Microscopy (SMLM) has expanded our ability to visualize subcellular structures but is limited in its temporal resolution. Increasing emitter density will improve temporal resolution, but current analysis algorithms struggle as emitter images significantly overlap. Here we present a deep convolutional neural network called LUENN which utilizes a unique architecture that rejects the isolated emitter assumption; it can smoothly accommodate emitters that range from completely isolated to co-located. This architecture, alongside an accurate estimator of location uncertainty, extends the range of usable emitter densities by a factor of 6 to over 31 emitters per micrometer-squared with reduced penalty to localization precision and improved temporal resolution. Apart from providing uncertainty estimation, the algorithm improves usability in laboratories by reducing imaging times and easing requirements for successful experiments.
• Abstract（参考訳）: 単一分子局在顕微鏡(SMLM)は細胞構造を可視化する能力を拡大したが、時間分解能は制限されている。 エミッタ密度の増大は時間分解能を向上させるが、現在の解析アルゴリズムはエミッタ画像が著しく重なるにつれて困難である。 ここでは,分離したエミッタ仮定を拒絶するユニークなアーキテクチャを使用するluennと呼ばれる深い畳み込みニューラルネットワークを提案する。 このアーキテクチャは、正確な位置不確かさを推定すると共に、使用可能なエミッタ密度の範囲を6から31マイクロメートルあたりのエミッタまで拡大し、局所化精度の低下と時間分解能の向上を図っている。 不確実性推定の他に、このアルゴリズムは、撮像時間を短縮し、実験成功の要求を緩和することにより、研究室のユーザビリティを向上させる。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Event-Stream Super Resolution using Sigma-Delta Neural Network [0.10923877073891444]
  イベントカメラは、それらが収集するデータの低解像度で疎結合で非同期な性質のため、ユニークな課題を示す。 現在のイベント超解像アルゴリズムは、イベントカメラによって生成された異なるデータ構造に対して完全に最適化されていない。 バイナリスパイクをSigma Delta Neural Networks(SDNNs)と統合する手法を提案する
  論文  参考訳（メタデータ） (2024-08-13T15:25:18Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network [0.6675733925327885]
  リモートセンシング画像に欠落した値を出力する既存の方法は、補助情報を完全に活用できない。 本稿では,時系列リモートセンシング画像の再構成のためのMS2という,深層学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T09:05:05Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• An unsupervised deep learning algorithm for single-site reconstruction in quantum gas microscopes [47.187609203210705]
  量子ガス顕微鏡実験では、物理観測物の正確な抽出には、高忠実度でサイト分解格子の占有を再構築することが不可欠である。 本稿では,深部畳み込みニューラルネットワークに基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-22T18:57:27Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)
• Deep Unfolding of Iteratively Reweighted ADMM for Wireless RF Sensing [22.467957268653077]
  我々は,MIMO無線レーダを用いた層状材料構造中の材料欠陥の検出に対処する。 多くのシナリオでは、階層構造に挑戦する欠陥の数は、低ランク構造としてモデル化できる。
  論文  参考訳（メタデータ） (2021-06-07T15:00:33Z)
• Unsupervised Monocular Depth Learning with Integrated Intrinsics and Spatio-Temporal Constraints [61.46323213702369]
  本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。 本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
  論文  参考訳（メタデータ） (2020-11-02T22:26:58Z)

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。