論文の概要: Rewards-based image analysis in microscopy

• arxiv url: http://arxiv.org/abs/2502.18522v1
• Date: Sun, 23 Feb 2025 19:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:14.151832
• Title: Rewards-based image analysis in microscopy
• Title（参考訳）: 逆向きに基づく顕微鏡画像解析
• Authors: Kamyar Barakati, Yu Liu, Utkarsh Pratiush, Boris N. Slautin, Sergei V. Kalinin,
• Abstract要約: イメージングとハイパースペクトルデータの分析は、生物学、医学、化学、物理学などの科学分野において重要である。 現在、このタスクは、認知、空間サンプリング、キーポイント検出、特徴生成、クラスタリング、次元減少、物理に基づく非畳み込みといった複雑な人間設計の反復的なステップに依存している。 過去10年間の機械学習の導入により、教師なし学習によるイメージセグメンテーションやオブジェクト検出、教師なし手法による次元削減といったタスクが加速した。 ここでは、専門家による意思決定の原則を採用し、強い伝達学習を示す報酬ベースの進歩について論じる。
• 参考スコア（独自算出の注目度）: 2.906546126874626
• License:
• Abstract: Analyzing imaging and hyperspectral data is crucial across scientific fields, including biology, medicine, chemistry, and physics. The primary goal is to transform high-resolution or high-dimensional data into an interpretable format to generate actionable insights, aiding decision-making and advancing knowledge. Currently, this task relies on complex, human-designed workflows comprising iterative steps such as denoising, spatial sampling, keypoint detection, feature generation, clustering, dimensionality reduction, and physics-based deconvolutions. The introduction of machine learning over the past decade has accelerated tasks like image segmentation and object detection via supervised learning, and dimensionality reduction via unsupervised methods. However, both classical and NN-based approaches still require human input, whether for hyperparameter tuning, data labeling, or both. The growing use of automated imaging tools, from atomically resolved imaging to biological applications, demands unsupervised methods that optimize data representation for human decision-making or autonomous experimentation. Here, we discuss advances in reward-based workflows, which adopt expert decision-making principles and demonstrate strong transfer learning across diverse tasks. We represent image analysis as a decision-making process over possible operations and identify desiderata and their mappings to classical decision-making frameworks. Reward-driven workflows enable a shift from supervised, black-box models sensitive to distribution shifts to explainable, unsupervised, and robust optimization in image analysis. They can function as wrappers over classical and DCNN-based methods, making them applicable to both unsupervised and supervised workflows (e.g., classification, regression for structure-property mapping) across imaging and hyperspectral data.
• Abstract（参考訳）: イメージングとハイパースペクトルデータの分析は、生物学、医学、化学、物理学などの科学分野において重要である。 第一の目的は、高解像度または高次元のデータを解釈可能なフォーマットに変換して、実行可能な洞察を生成し、意思決定を助け、知識を進歩させることである。 現在、このタスクは、 denoising、空間サンプリング、キーポイント検出、特徴生成、クラスタリング、次元減少、物理に基づく非畳み込みといった反復的なステップを含む複雑な人間設計ワークフローに依存している。 過去10年間の機械学習の導入により、教師なし学習によるイメージセグメンテーションやオブジェクト検出、教師なし手法による次元削減といったタスクが加速した。 しかしながら、従来のNNベースのアプローチとNNベースのアプローチは、ハイパーパラメータチューニング、データラベリング、あるいはその両方において、人間の入力を必要とする。 原子的に解決された画像から生物学的応用まで、自動撮像ツールの利用が増えているため、人間の意思決定や自律的な実験のためにデータ表現を最適化する教師なしの手法が求められている。 ここでは、専門家による意思決定の原則を採用し、多様なタスクにまたがる強力な伝達学習を実証する報酬ベースのワークフローの進歩について論じる。 我々は、画像解析を可能な操作上の意思決定プロセスとして表現し、デシダラタとその古典的な意思決定フレームワークへのマッピングを特定する。 逆方向駆動のワークフローにより、イメージ分析において、分散シフトに敏感な教師付きブラックボックスモデルから説明可能、教師なし、堅牢な最適化へのシフトが可能になる。 それらは古典的およびDCNNベースの手法よりもラッパーとして機能し、非教師なしワークフロー(例えば分類、構造-プロパティマッピングの回帰)とハイパースペクトルデータの両方に適用できる。

関連論文リスト

• Novel computational workflows for natural and biomedical image processing based on hypercomplex algebras [49.81327385913137]
  ハイパーコンプレックス画像処理は、代数的および幾何学的原理を含む統一パラダイムで従来の手法を拡張している。 このワークル平均は、自然・生体画像解析のための四元数と2次元平面(四元数 - ピクセルを表す - を2次元平面に分割する)を分割する。 提案手法は、画像の自動処理パイプラインの一部として、カラー外観(例えば、代替リフレクションやグレースケール変換)と画像コントラストを規制することができる。
  論文  参考訳（メタデータ） (2025-02-11T18:38:02Z)
• Unsupervised Reward-Driven Image Segmentation in Automated Scanning Transmission Electron Microscopy Experiments [0.22795086293129713]
  走査透過電子顕微鏡(STEM)における自動実験は、人間の解釈、意思決定、サイト選択分光法、原子操作のためのデータ表現を最適化するために、高速な画像分割を必要とする。 本稿では,STEMにおけるオンザフライ画像解析のための報酬駆動最適化ワークフローの運用とベンチマークを行う。 この教師なしのアプローチは、人間のラベルに依存しておらず、完全に説明可能であるため、はるかに堅牢である。
  論文  参考訳（メタデータ） (2024-09-19T04:51:13Z)
• Advances in Diffusion Models for Image Data Augmentation: A Review of Methods, Models, Evaluation Metrics and Future Research Directions [6.2719115566879236]
  拡散モデル(DM)は画像データ拡張のための強力なツールとして登場した。 DMは、基礎となるデータ分布を学習することで、現実的で多様な画像を生成する。 この分野における現在の課題と今後の研究方向性について論じる。
  論文  参考訳（メタデータ） (2024-07-04T18:06:48Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Dynamic-Resolution Model Learning for Object Pile Manipulation [33.05246884209322]
  本研究では,様々な抽象レベルで動的かつ適応的な表現を学習し,効率と効率の最適なトレードオフを実現する方法について検討する。 具体的には、環境の動的分解能粒子表現を構築し、グラフニューラルネットワーク(GNN)を用いた統一力学モデルを学ぶ。 本手法は, 粒状オブジェクトの収集, ソート, 再分配において, 最先端の固定解像度ベースラインよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-29T05:51:44Z)
• Kartezio: Evolutionary Design of Explainable Pipelines for Biomedical Image Analysis [0.0]
  本稿では,透過的で容易に解釈可能な画像処理パイプラインを生成する計算戦略であるKartezioを紹介する。 それによって生成されたパイプラインは、インスタンスセグメンテーションタスクにおける最先端のDeep Learningアプローチに匹敵する精度を示す。 また、実世界の4つのユースケースにおけるセマンティックスとインスタンスセグメンテーションの問題を解決するためにKartezioをデプロイしました。
  論文  参考訳（メタデータ） (2023-02-28T17:02:35Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Online Graph Completion: Multivariate Signal Recovery in Computer Vision [29.89364298411089]
  グラフ上で定義された「完了」問題について検討し、追加測定の要求を順次行う必要がある。 グラフのフーリエ領域における最適化モデルを設計し、適応的な部分モジュラー性に基づくアイデアが実際にうまく機能するアルゴリズムをどう提供するかを記述する。 Imgurから収集した大量の画像では、分類が難しい画像について有望な結果が得られます。
  論文  参考訳（メタデータ） (2020-08-12T01:34:21Z)

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。