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.
اولوگبک کامیلوف، استادیار مهندسی برق و سیستم‌ها و علوم و مهندسی کامپیوتر، گفت: «ما مدل را روی مجموعه‌ای از تصاویر دیجیتال آموزش می‌دهیم 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.”
یافته های آنها در 16 سپتامبر در مجله منتشر شد هوش ماشین طبیعت.
مواد تهیه شده توسط دانشگاه واشنگتن در سنت لوئیس. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
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.
محققان دانشکده مهندسی مک‌کلوی در دانشگاه واشنگتن در سنت لوئیس یک الگوریتم یادگیری ماشینی ایجاد کرده‌اند که می‌تواند یک مدل سه بعدی پیوسته از سلول‌ها را از مجموعه‌ای جزئی از تصاویر دوبعدی ایجاد کند که با استفاده از همان ابزار میکروسکوپی استاندارد موجود در بسیاری از آزمایشگاه‌های امروزی گرفته شده است. .
و کامیلوف گفت، این مدل نه تنها یک نمایش آسان و واقعی از سلول است، بلکه از بسیاری جهات مفیدتر از نمونه واقعی است.
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.
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.
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.
منبع داستان:
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 پیش‌بینی‌ها با اندازه‌گیری‌های دنیای واقعی مطابقت داشتند، شبکه آماده است تا قسمت‌هایی از سلول را پر کند که توسط تصاویر دوبعدی اصلی ثبت نشده‌اند.
