Vaizdo gavimo sistema gali priartinti vaizdą su pikseliais ir užpildyti trūkstamas dalis, sukurdama ištisinį vaizdą 3D vaizdavimas. Kreditas: Vašingtono universitetas Sent Luise Mokslininkai iš McKelvey inžinerijos mokyklos Vašingtono universitete Sent Luise sukūrė mašininio mokymosi algoritmą, kuris gali sukurti nenutrūkstamą 3D ląstelių modelį iš dalinio 2D vaizdų rinkinio. naudojant tuos pačius standartinius mikroskopijos įrankius, kurie šiandien yra daugelyje laboratorijų.
Jų išvados buvo paskelbtos rugsėjo mėn. 42256 žurnale Nature Machine Intelligence.
„Mokyname modelį skaitmeninių vaizdų rinkinyje, kad gautume nuolatinį vaizdą“, – sakė elektros ir sistemų inžinerijos profesorius Ulugbekas Kamilovas. informatikos ir inžinerijos. „Dabar galiu parodyti kaip noriu. Galiu sklandžiai priartinti ir nėra pikselių.“
Šio darbo raktas buvo neuroninio lauko tinklo, tam tikros rūšies mašininio mokymosi sistemos, kuri mokosi atvaizduoti erdvines koordinates į atitinkamus fizinius dydžius, naudojimas. Kai mokymas bus baigtas, tyrėjai gali nurodyti bet kurią koordinatę, o modelis gali pateikti vaizdo vertę toje vietoje.
A Ypatingas neuroninio lauko tinklų pranašumas yra tas, kad jiems nereikia mokyti daug panašių duomenų. Vietoj to, kol yra pakankamai 2D pavyzdžio vaizdų, tinklas gali atvaizduoti jį visą, tiek viduje, tiek išorėje. Vaizdas, naudojamas mokyti tinklą, yra toks pat kaip ir bet kuris kitas mikroskopinis vaizdas. Iš esmės ląstelė apšviečiama iš apačios; šviesa sklinda per ją ir užfiksuojama kitoje pusėje, sukuriant vaizdą.
„Kadangi turiu keletą vaizdų ląstele, galiu panaudoti tuos vaizdus, kad išmokyčiau modelį“, – sakė Kamilovas. Tai atliekama pateikiant modelio informaciją apie pavyzdžio tašką, kuriame vaizdas užfiksavo dalį vidinės ląstelės struktūros. Tada tinklas stengiasi atkurti tą struktūrą. Jei išvestis neteisinga, tinklas koreguojamas. Jei tai teisinga, tas kelias yra sustiprintas. Kai prognozės atitinka realaus pasaulio matavimus, tinklas yra pasirengęs užpildyti tas langelio dalis, kurios nebuvo užfiksuotos originaliais 2D vaizdais. Dabar modelyje yra informacijos apie visą, nuolatinį ląstelės atvaizdavimą – nereikia išsaugoti didelio duomenų kiekio vaizdo failo, nes jį visada gali atkurti neuroninio lauko tinklas.
Ir, sakė Kamilovas, modelis yra ne tik lengvai saugomas, tikras ląstelės atvaizdas, bet ir daugeliu atžvilgių naudingesnis nei tikrasis.
„Galiu įdėti bet kurią koordinates ir sukurti tą vaizdą“, – sakė jis. „Arba galiu sukurti visiškai naujus vaizdus iš skirtingų kampų.“ Jis gali naudoti modelį, kad suktų langelį, pavyzdžiui, viršutinę dalį, arba priartintų, kad pamatytų iš arčiau; naudoti modelį kitoms skaitinėms užduotims atlikti; arba netgi įtraukite jį į kitą algoritmą.
Daugiau informacijos: Renhao Liu ir kt., Nuolatinių 3D lūžio rodiklių žemėlapių atkūrimas iš atskirų tik intensyvumo matavimų naudojant neuroninius laukus, Gamtos mašinos intelektas (2022). DOI: .470/s42256–16-3
Citata1038 : Mašininis mokymasis generuoja 3D modelį iš 2D nuotraukų (2022, rugsėjo mėn ) gauta 09 rugsėjis 00530 iš https://techxplore.com/news/2022–machine-3d-2d-pictures.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
