論文の概要: Hybrid deep learning and physics-based neural network for programmable illumination computational microscopy

• arxiv url: http://arxiv.org/abs/2403.12970v1
• Date: Wed, 17 Jan 2024 12:14:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:27:10.277213
• Title: Hybrid deep learning and physics-based neural network for programmable illumination computational microscopy
• Title（参考訳）: プログラム型照明顕微鏡のためのハイブリッドディープラーニングと物理ベースニューラルネットワーク
• Authors: Ruiqing Sun, Delong Yang, Shaohui Zhang, Qun Hao,
• Abstract要約: 本稿では,3つのサブニューラルネットワーク(2つのディープラーニングネットワークと1つの物理ネットワーク)からなるハイブリッドフレームワークを提案する。 最終結果はディープモデルと物理モデルの両方の利点を統合し、計算再構成逆問題を簡単に解くことができる。
• 参考スコア（独自算出の注目度）: 1.0010343584511716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Relying on either deep models or physical models are two mainstream approaches for solving inverse sample reconstruction problems in programmable illumination computational microscopy. Solutions based on physical models possess strong generalization capabilities while struggling with global optimization of inverse problems due to a lack of insufficient physical constraints. In contrast, deep learning methods have strong problem-solving abilities, but their generalization ability is often questioned because of the unclear physical principles. Besides, conventional deep models are difficult to apply to some specific scenes because of the difficulty in acquiring high-quality training data and their limited capacity to generalize across different scenarios. In this paper, to combine the advantages of deep models and physical models together, we propose a hybrid framework consisting of three sub-neural networks (two deep learning networks and one physics-based network). We first obtain a result with rich semantic information through a light deep learning neural network and then use it as the initial value of the physical network to make its output comply with physical process constraints. These two results are then used as the input of a fusion deep learning neural work which utilizes the paired features between the reconstruction results of two different models to further enhance imaging quality. The final result integrates the advantages of both deep models and physical models and can quickly solve the computational reconstruction inverse problem in programmable illumination computational microscopy and achieve better results. We verified the feasibility and effectiveness of the proposed hybrid framework with theoretical analysis and actual experiments on resolution targets and biological samples.
• Abstract（参考訳）: 深層モデルと物理モデルの両方を頼りにする手法は、プログラム可能な照明計算顕微鏡における逆サンプル再構成問題を解くための2つの主要なアプローチである。 物理モデルに基づく解は、物理制約が不十分なため、逆問題の大域的最適化に苦慮しながら、強力な一般化能力を有する。 対照的に、ディープラーニングの手法は強力な問題解決能力を持っているが、その一般化能力は不明瞭な物理原理のためにしばしば疑問視される。 さらに、高品質なトレーニングデータを取得するのが困難であり、さまざまなシナリオにまたがって一般化する能力が限られているため、従来のディープモデルの適用は困難である。 本稿では,ディープモデルと物理モデルの利点を組み合わせるために,3つのサブニューラルネットワーク(2つのディープラーニングネットワークと1つの物理ベースネットワーク)からなるハイブリッドフレームワークを提案する。 まず、光深層学習ニューラルネットワークを用いてリッチな意味情報を取得し、それを物理ネットワークの初期値として利用し、その出力を物理プロセスの制約に適合させる。 これらの2つの結果は、融合深層学習ニューラルワークの入力として使用され、2つの異なるモデルの再構成結果のペア化特徴を利用して、画像品質をさらに向上する。 最終結果は深部モデルと物理モデルの両方の利点を統合し、プログラム可能な照明顕微鏡における計算再構成逆問題を迅速に解き、より良い結果が得られる。 提案手法の有効性と妥当性を理論的解析と実測実験により検証した。

関連論文リスト

• Point Neuron Learning: A New Physics-Informed Neural Network Architecture [8.545030794905584]
  本稿では,新しい物理インフォームドニューラルネットワークアーキテクチャを提案する。 これは、波動方程式の基本的な解をネットワークアーキテクチャに埋め込んで、学習したモデルが厳密に波動方程式を満たすことを可能にする。 他のPINN手法と比較して、我々の手法は複素数を直接処理し、より優れた解釈可能性と一般化性を提供する。
  論文  参考訳（メタデータ） (2024-08-30T02:07:13Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Differentiable Visual Computing for Inverse Problems and Machine Learning [27.45555082573493]
  ビジュアルコンピューティング手法は、幾何学を解析し、固体、流体、その他の媒体を物理的にシミュレートし、光学技術で世界をレンダリングするために用いられる。 ディープラーニング(DL)は、一般的なアルゴリズムモデルの構築を可能にする。 DLは高度にパラメータ化されたニューラルネットワークアーキテクチャ -- ユニバーサル関数近似器 -- と勾配に基づく検索アルゴリズムによって実現されている。
  論文  参考訳（メタデータ） (2023-11-21T23:02:58Z)
• Differentiable Multi-Fidelity Fusion: Efficient Learning of Physics Simulations with Neural Architecture Search and Transfer Learning [1.0024450637989093]
  ニューラル・アーキテクチャ・サーチ(NAS)を利用して、異なる問題に対する適切なモデル・アーキテクチャを自動的に探索する微分可能なmf(DMF)モデルを提案する。 DMFは、少数の高忠実度トレーニングサンプルで物理シミュレーションを効率よく学習することができ、最先端の手法よりも優れたマージンを持つ。
  論文  参考訳（メタデータ） (2023-06-12T07:18:13Z)
• Backpropagation-free Training of Deep Physical Neural Networks [0.0]
  我々は「モデルフリーフォワードトレーニング」と呼ばれる生物学的に妥当な学習アルゴリズムによって強化された単純なディープニューラルネットワークアーキテクチャを提案する。 本手法は,トレーニング速度の向上,デジタル計算の削減,物理システムにおける消費電力の削減などにより,最先端のハードウェア・アウェアトレーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-20T14:02:49Z)
• An Analysis of Physics-Informed Neural Networks [0.0]
  我々は物理システム – 物理インフォームドニューラルネットワーク – に対する解を近似する新しいアプローチを提案する。 人工ニューラルネットワークの概念を導入し、目的関数を定義し、最適化戦略について議論する。 偏微分方程式は、問題の損失関数の制約として含まれ、ネットワークがモデリングしている物理系の力学の知識にアクセスできる。
  論文  参考訳（メタデータ） (2023-03-06T04:45:53Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)

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。