論文の概要: Generalization Across Experimental Parameters in Machine Learning Analysis of High Resolution Transmission Electron Microscopy Datasets

• arxiv url: http://arxiv.org/abs/2306.11853v1
• Date: Tue, 20 Jun 2023 19:13:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 15:56:09.600761
• Title: Generalization Across Experimental Parameters in Machine Learning Analysis of High Resolution Transmission Electron Microscopy Datasets
• Title（参考訳）: 高分解能電子顕微鏡データセットの機械学習解析における実験パラメータの一般化
• Authors: Katherine Sytwu, Luis Rangel DaCosta, Mary C. Scott
• Abstract要約: 我々は、ナノ粒子の高分解能TEM画像データセットを実験的に収集したニューラルネットワークを訓練し、検証する。 ニューラルネットワークは顕微鏡パラメータ間では堅牢ではなく、特定のサンプルパラメータ間で一般化されていることが分かっています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks are promising tools for high-throughput and accurate transmission electron microscopy (TEM) analysis of nanomaterials, but are known to generalize poorly on data that is "out-of-distribution" from their training data. Given the limited set of image features typically seen in high-resolution TEM imaging, it is unclear which images are considered out-of-distribution from others. Here, we investigate how the choice of metadata features in the training dataset influences neural network performance, focusing on the example task of nanoparticle segmentation. We train and validate neural networks across curated, experimentally-collected high-resolution TEM image datasets of nanoparticles under controlled imaging and material parameters, including magnification, dosage, nanoparticle diameter, and nanoparticle material. Overall, we find that our neural networks are not robust across microscope parameters, but do generalize across certain sample parameters. Additionally, data preprocessing heavily influences the generalizability of neural networks trained on nominally similar datasets. Our results highlight the need to understand how dataset features affect deployment of data-driven algorithms.
• Abstract（参考訳）: ニューラルネットワークは、ナノマテリアルの高スループットかつ正確な透過電子顕微鏡(TEM)分析のための有望なツールであるが、トレーニングデータから「配布外」のデータに悪影響を与えることが知られている。 高分解能temイメージングで一般的に見られる画像の特徴が限られているため、どの画像が他の画像と分配外と見なされているかは明らかではない。 本稿では,トレーニングデータセットにおけるメタデータの選択がニューラルネットワークの性能に与える影響について検討し,ナノ粒子セグメンテーションの例に着目する。 我々は, ナノ粒子の高分解能TEM画像データセットを, 拡大, 線量, ナノ粒子径, ナノ粒子材料など, 制御された画像パラメータに基づいて, ニューラルネットワークを訓練し, 評価する。 全体として、我々のニューラルネットワークは顕微鏡パラメータ間では堅牢ではなく、特定のサンプルパラメータ間で一般化されている。 さらに、データ前処理は、名目上類似したデータセットでトレーニングされたニューラルネットワークの一般化性に大きな影響を及ぼす。 私たちの結果は、データセット機能がデータ駆動アルゴリズムのデプロイメントにどのように影響するかを理解する必要性を強調します。

関連論文リスト

• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• A robust synthetic data generation framework for machine learning in High-Resolution Transmission Electron Microscopy (HRTEM) [1.0923877073891446]
  Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。 ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。 この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
  論文  参考訳（メタデータ） (2023-09-12T10:44:15Z)
• Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
  拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。 測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。 我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2022-11-17T20:52:00Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Automated Classification of Nanoparticles with Various Ultrastructures and Sizes [0.6927055673104933]
  走査型電子顕微鏡画像の小さなデータセットから学習したナノ粒子計測と分類のためのディープラーニングに基づく手法を提案する。 本手法は, 局所化, ナノ粒子の検出, 分類, 微細構造の分類の2段階からなる。 画像処理や様々な画像生成ニューラルネットワークを用いて合成画像を生成することで、両方の段階で結果を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-07-28T11:31:43Z)
• Understanding the Influence of Receptive Field and Network Complexity in Neural-Network-Guided TEM Image Analysis [0.0]
  透過電子顕微鏡(TEM)画像において,ニューラルネットワークのアーキテクチャ選択がニューラルネットワークセグメントに与える影響を系統的に検討した。 背景からナノ粒子を区別するために振幅コントラストに依存した低分解能TEM画像の場合、受容場はセグメンテーション性能に有意な影響を与えない。 一方、ナノ粒子を識別するために振幅と位相コントラストの組合せに依存する高分解能TEM画像では、受容場が性能向上の鍵となるパラメータである。
  論文  参考訳（メタデータ） (2022-04-08T18:45:15Z)
• Imaging Conductivity from Current Density Magnitude using Neural Networks [1.8692254863855962]
  内部電流密度から導電率を撮像するニューラルネットワークに基づく再構成手法を開発した。 この手法は,データノイズの存在に関して,顕著な堅牢性を持っていることが観察された。
  論文  参考訳（メタデータ） (2022-04-05T18:31:03Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Spectral Complexity-scaled Generalization Bound of Complex-valued Neural Networks [78.64167379726163]
  本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。 複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
  論文  参考訳（メタデータ） (2021-12-07T03:25:25Z)

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。