Czas Wskazówek Dotyczących Rozwiązania Problemu Pogrzebu Spowodowanego Błędem Inteligentnego Przełącznika

Aby podróżować po świecie fantastycznych miniatur, głównym mottem człowieka jest Lewis światła, a także elektronów. Silne promienie, wiedząc, że są wyraźniejsze ruchy plonów, uszkadzają rośliny. Z drugiej strony słabe wiązki mogą generować zaszumione ilustracje o niskiej rozdzielczości.

W badaniu opublikowanym niedawno w czasopiśmie Nature Machine Intelligence, naukowcy z Texas A&M University zaprezentowali algorytm oparty na uczeniu się, który może złagodzić ziarnistość obrazów o niskiej rozdzielczości i ujawnić nowe zasoby, które w przeciwnym razie byłyby ukryte w szumie.

p>

„Obrazy wystawione na słabe promieniowanie mogą być zaszumione, co może być interesujące, nie wspominając o cennych szczegółach w próbkach biologicznych” – powiedział dr Shuiwang Ji, adiunkt na Wydziale Inżynierii Komputerowej. „Aby rozwiązać ten problem, używamy jedynie metod obliczeniowych. podejście do tworzenia ilustracji o wyższej rozdzielczości, a my w tym badaniu Azalea, dlatego mamy rozdzielczość, która może być najwyższej jakości, co jest bardzo podobne do wyboru większej wiązki. €

Gee dodał, że w przeciwieństwie do kilku innych dobrych algorytmów redukcji szumów, które mogą inwestować tylko w szczegóły z małego wycinka funkcjonalnego obrazu o niskiej rozdzielczości, ich inteligentna formuła algorytmu może określić te piksele, które mogą mieć wzory w całym awanturniczym obrazy są rozprowadzane i wzmacniane … … całą swoją skuteczność jako narzędzie do redukcji szumów.

Zamiast polegać wyłącznie na sprzęcie mikroskopowym w celu ułatwienia rozdzielczości obrazu, jedną ze znanych technik, które można poprawić, jest użycie mikroskopii, połączenia komputera osobistego i sprzętu, w celu poprawy jakości połączonych obrazów. Normalny obraz zarejestrowany w soczewce mikroskopowej przed a jest nakładany na jakiś rodzaj obrazu cyfrowego generowanego przez komputer. Uzasadniona obietnica tej techniki obrazowania nie tylko możliwej redukcji kosztów, ale także automatyzacji analizy obrazowania medycznego, ujawnia dodatkowe szczegóły, o których oko może zapomnieć.

Odkryto, że pakiet oparty bezpośrednio na algorytmie uczenia maszynowego głębokiego uczenia skutecznie usuwa rozmycie lub szum z obrazami. Można pomyśleć o tych algorytmach, ponieważ składają się z wielu wzajemnie połączonych warstw, a nawet etapów przetwarzania, w których rejestrowane są obrazy wejściowe o niskiej rozdzielczości, a następnie tworzony jest symbol wyjściowy o wysokiej rozdzielczości.

W starszych technikach przetwarzania wyglądu i działania opartych na głębokim uczeniu, liczba i sieć komórkowa w dowolnym miejscu między warstwami określa liczbę pikseli w określonym obrazie wejściowym, które przyczyniają się do wyższej wartości samego piksela na wyjściu dozwolonego obrazu. Tej wartości nie można zmienić, algorytm pilnego uczenia się jest szkolony i jest naprawdę kompletny, aby usunąć szum z nowych obrazów. Ji powiedział jednak, że określenie liczby pikseli dotyczących mądrości, technicznie zwanych liniami percepcji, to cała moc algorytmu.

„Zaproponuj praktykę powtarzania segmentu w kształcie kolby . „Najbardziej żywe algorytmy uczenia się wykorzystują przede wszystkim informacje lokalne, aby wypełnić ludzką lukę w obrazie generowanym przez hałas” – powiedział Gee. „Ale to jest głośne, ponieważ algorytm znacząco wpływa na powtarzające się szaleństwo w polu widzenia telewizora, ponieważ ich pole odbioru jest stałe. Zamiast tego głębokie uczenie wymaga algorytmów z adaptacyjnymi polami informacji zwrotnej, które mogą odbierać informacje jako część ogólnej struktury najczęściej związanej z obrazem. ”

Aby przezwyciężyć ten bufor, Gee i jego uczniowie opracowali dodatkowy wyjątkowy algorytm uczenia się, który może dynamicznie zmieniać rozmiar pola percepcyjnego. W przeciwieństwie do poprzednich algorytmów, które mogły zebrać informacje tylko z niewielkiej liczby p, jego lub nowy algorytm, znany jako Global Voxel Transformer Enterprise Network (GVTNets), może w razie potrzeby agregować informacje z praktycznie większego obszaru obrazu.

Analizując ich algorytmy wydajności przy użyciu podobnego oprogramowania infiltrującego do uczenia się, naukowcy odkryli, że GVTNets tr wymaga mniej danych treningowych i może przetwarzać obrazy o wyższym poziomie redukcji tonów niż inne algorytmy w tej dziedzinie. Ponadto uzyskane obrazy o wysokiej rozdzielczości były porównywalne z obrazami zarejestrowanymi przy użyciu minimalnej wiązki wysokoenergetycznej.

Naukowcy odkryli, że ich nowy algorytm będzie musiał być łatwo dostosowany do celów innych niż anulowanie pozorów.

„Nasze badania przyczyniają się do powstania nowej lokalizacji inteligentnej mikroskopii, w której fałszywe informacje są po prostu integrowane w nowym mikroskopie” – powiedział Gee. „Jednak znaczące algorytmy uczenia się, takie jak nasz, często pozwalają nam dwojgu przekroczyć fizyczną granicę światła, co, jak twierdzą eksperci, wcześniej uważano za niemożliwe. Może to mieć duże znaczenie dla wielu zastosowań, tego rodzaju klinicznych, takich jak ocena zaawansowania w progresji nowotworu i różnicowanie między grupami komórek w celu prognozowania choroby. “

Zhengyang Wang Yaochen i Xie, w tym IT i inżynieria, w równym stopniu przyczynili się do tego obrazu.

To badanie jest wspierane przez projekty National Science Foundation, National Institutes of Health i Departament Obrony USA Agencja Zaawansowanych Projektów Badawczych.