بروزرسانی: 15 آذر 1404
یادگیری ماشینی مدل سه بعدی را از تصاویر دو بعدی ایجاد می کند -- ScienceDaily
محققان دانشکده مهندسی مک کلوی در دانشگاه واشنگتن در سنت لوئیس یک الگوریتم یادگیری ماشینی ایجاد کرده اند که می تواند یک مدل سه بعدی پیوسته از سلول ها را از مجموعه ای جزئی از تصاویر دوبعدی ایجاد کند که با استفاده از همان ابزار میکروسکوپی استاندارد موجود در بسیاری از آزمایشگاه های امروزی گرفته شده است. .
یافته های آنها در 16 سپتامبر در مجله منتشر شد هوش ماشین طبیعت.
اولوگبک کامیلوف، استادیار مهندسی برق و سیستم ها و علوم و مهندسی کامپیوتر، گفت: «ما مدل را روی مجموعه ای از تصاویر دیجیتال آموزش می دهیم تا یک نمایش مستمر به دست آوریم. "اکنون، من می توانم آن را به هر طریقی که می خواهم نشان دهم. می توانم به آرامی بزرگنمایی کنم و هیچ پیکسلی وجود ندارد."
و کامیلوف گفت، این مدل نه تنها یک نمایش آسان و واقعی از سلول است، بلکه از بسیاری جهات مفیدتر از نمونه واقعی است.
کمیلف گفت: «از آنجایی که من نماهایی از سلول دارم، می توانم از آن تصاویر برای آموزش مدل استفاده کنم. این کار با تغذیه اطلاعات مدل در مورد نقطه ای از نمونه انجام می شود که تصویر بخشی از ساختار داخلی سلول را ثبت کرده است.
تصویری که برای آموزش شبکه استفاده می شود مانند هر تصویر میکروسکوپی دیگر است. در اصل، یک سلول از پایین روشن می شود. نور از آن عبور می کند و از طرف دیگر گرفته می شود و یک تصویر ایجاد می کند.
او گفت: "من می توانم هر مختصاتی را وارد کنم و آن دیدگاه را ایجاد کنم." "یا من می توانم نماهای کاملاً جدیدی از زوایای مختلف ایجاد کنم." او می تواند از این مدل برای چرخاندن یک سلول مانند بالا یا بزرگنمایی برای مشاهده دقیق تر استفاده کند. از مدل برای انجام سایر وظایف عددی استفاده کنید. یا حتی آن را به الگوریتم دیگری وارد کنید.
این مدل اکنون حاوی اطلاعات یک نمایش کامل و پیوسته از سلول است -- نیازی به ذخیره یک فایل تصویری با داده های سنگین نیست زیرا همیشه می تواند توسط شبکه میدان عصبی دوباره ایجاد شود.
کلید این کار استفاده از یک شبکه میدان عصبی بود، نوع خاصی از سیستم یادگیری ماشین که نقشه برداری از مختصات فضایی به کمیت های فیزیکی مربوطه را می آموزد. هنگامی که آموزش کامل شد، محققان می توانند به هر مختصاتی اشاره کنند و مدل می تواند مقدار تصویر را در آن مکان ارائه دهد.
مواد تهیه شده توسط دانشگاه واشنگتن در سنت لوئیس. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
منبع داستان:
نقطه قوت خاص شبکه های میدان عصبی این است که نیازی به آموزش بر روی مقادیر فراوان داده های مشابه ندارند. درعوض، تا زمانی که تعداد کافی تصویر دوبعدی از نمونه وجود داشته باشد، شبکه می تواند آن را به طور کامل، داخل و خارج نمایش دهد.
سپس شبکه بهترین عکس خود را برای بازسازی آن ساختار می گیرد. اگر خروجی اشتباه باشد، شبکه بهینه سازی می شود. اگر درست باشد، آن مسیر تقویت می شود. هنگامی که پیش بینی ها با اندازه گیری های دنیای واقعی مطابقت داشتند، شبکه آماده است تا قسمت هایی از سلول را پر کند که توسط تصاویر دوبعدی اصلی ثبت نشده اند.
نویسنده: تیم تحریریه Matthew Newman