Советы, которые позволят им решить проблему захоронения, вызванного ошибкой интеллектуального коммутатора

Чтобы путешествовать по миру миниатюр, которые нельзя не увидеть, главный девиз – Льюис света на электроны. Сильные лучи, зная, что моделей урожайности гораздо больше, повреждают растения. С другой стороны, слабые лучи могут давать зашумленные изображения с низким разрешением.

В исследовании, недавно опубликованном журналом Nature Machine Intelligence, исследователи из Техасского университета A&M представили алгоритм, основанный на обучении, который, безусловно, может уменьшить зернистость изображений с низким разрешением и выявить свежие детали, которые в противном случае были бы скрыты в противоречиях.

p>

«Изображения, подвергнутые воздействию небольших лучей, могут быть шумными, что может скрывать желаемые и ценные детали биологических образцов», – сказал доктор Шуйван Цзи, доцент кафедры компьютерной инженерии. «Для решения этой проблемы мы используем чисто вычислительные методы. подход к созданию более качественных изображений, и мы будем описывать Azalea в этом исследовании как то, что у нас есть разрешение, которое может оставаться улучшенным, что очень похоже на выбор одного дальнего света. €

Джи добавил, что по сравнению с другими хорошими алгоритмами шумоподавления, которые могут лучше всего использовать детали из небольшого p-среза изображения с низким разрешением, их формула интеллектуального алгоритма может точно определять пиксели, которые могут иметь шаблоны на всем зашумленном изображении, распределены и повышенный … … это действительно эффективный инструмент для снижения шума.

Вместо того, чтобы полагаться исключительно на оборудование микроскопа, чтобы уменьшить разрешение изображения, один известный метод, который, безусловно, может быть улучшен, – это использование микроскопии в сочетании с программным и аппаратным обеспечением для улучшения качества большинства связанных изображений. Нормальное изображение, записанное в микроскоп перед a, накладывается на цифровое изображение, созданное компьютером. Любое законное обещание этого метода визуализации не только снижает затраты, но и автоматизирует анализ медицинских изображений, выявляет любые дополнительные детали, которые глаз может упустить.

Было обнаружено, что программное обеспечение, основанное непосредственно на формуле машинного обучения, называемой глубоким обучением, эффективно устраняет размытость или музыку с изображений. Эти алгоритмы можно рассматривать как состоящие из множества взаимосвязанных этапов обработки, на которых снимается вставленное изображение с низким разрешением, а затем создается изображение с высокой разрешающей способностью.

В более старых надежных методах обработки изображений, основанных на обучении, количество и сотовая связь между слоями определяют количество пикселей здесь во входном изображении, которые вносят вклад в первоклассное значение одного пикселя на выходе абсолютного заданного изображения. Это значение нельзя изменить, конкретный алгоритм мгновенного обучения обучен и невероятно готов к удалению шума из новых изображений. Однако Джи сказал, что определение количества p мудрости, технически называемых линиями восприятия, часто является силой алгоритма.

«Представьте хороший образец повторяющегося сегмента с рисунком глыбы:« Большинство алгоритмов глубокого обучения в первую очередь используют локальную информацию для заполнения человеческого пробела в изображении, созданного шумом », – сказал Джи. «Но это часто неуместно, потому что алгоритм существенно влияет на повторяющийся узор в поле зрения телевизора, учитывая тот факт, что поле приема фиксировано. Вместо этого для более глубокого понимания требуются алгоритмы с адаптивными полями обратной связи, которые могут собирать информацию как часть общего построения изображения. ”

Чтобы преодолеть этот щит, Джи и его ученики разработали гораздо более глубокий алгоритм обучения, который может динамически изменять размер моего поля восприятия. В отличие от предыдущих алгоритмов, которые в основном могли комбинировать информацию из небольшого числа v, их новый алгоритм, известный как Global Voxel Transformer Enterprise Network (GVTNets), может агрегировать информацию о любой более крупной области изображения, которая является важной.

Проанализировав свои алгоритмы производительности с использованием очень похожего программного обеспечения для глубокого обучения, исследователи обнаружили, что GVTNets tr требует меньше обучающих данных и, скорее всего, будет легко обрабатывать изображения с более высоким уровнем, близким к шумоподавлению, чем другие алгоритмы в конкретной области. Кроме того, полученные изображения с высоким разрешением были сродни изображениям, записанным с минимальной высокоэнергетической улыбкой.

Исследователи обнаружили, что формула их нового алгоритма должна быть легко адаптирована для других целей, а не для шумоподавления.

«Наши исследования вносят свой вклад в быстро развивающуюся область интеллектуальной микроскопии, где ложная информация, безусловно, легко интегрируется в новый микроскоп», – сказал Джи. «Однако алгоритмы глубокого обучения, подобные нашему, часто помогают нам преодолеть физический предел бледности, что ранее считалось невозможным. Это может иметь большое значение для многих стратегий, в том числе клинических, таких как оценка идеи прогрессирования рака и дифференциация между диапазонами клеток для прогноза заболевания. “

Чжэнъян Ван Яочэнь и Се, включая ИТ-специалистов и инженеров, внесли равный вклад в создание этого изображения.

Это исследование, несомненно, финансируется проектами Национального научного фонда, Национальных институтов здравоохранения и Агентства перспективных исследовательских проектов Министерства обороны США.