موسسه زبان نگارکارتن پُستی هزار تایی (ارسال رایگان)چاپ انواع کارت pvc هوشمند ،کارت …مس الیاژی

تحلیل سریع‌تر تصویر با کمک یادگیری عمیق
پژوهشگران آمریکایی در بررسی جدید خود تلاش کرده‌اند تا با کمک یادگیری عمیق، سرعت تحلیل تصاویر را افزایش دهند. به گزارش ایسنا و به نقل از ساینس‌دیلی، یک تصویر می‌تواند به اندازه هزاران کلمه ارزش داشته باشد اما این تنها هنگامی ممکن است که مشخص باشد چه چیزی را توصیف می‌کند. اگرچه میکروسکوپ‌های جدید می‌توانند طی چند ثانیه، داده‌های تصویری بسیاری را از سلول‌ها یا بافت‌های زنده به دست بیاورند اما استخراج اطلاعات زیستی معنادار از این داده‌ها، ساعت‌ها یا حتی هفته‌ها زمان می‌برد. گروهی از پژوهشگران "آزمایشگاه زیست شناسی دریایی"(MBL) وابسته به "دانشگاه شیکاگو"(UChicago) برای برطرف کردن این مشکل، از یادگیری عمیق و دیگر روش‌های محاسباتی استفاده کرده‌اند تا زمان تحلیل تصویر را به صورت قابل توجهی کاهش دهند. "هری شروف"(Hari Shroff)، سرپرست این پژوهش و همکارانش توانستند سرعت تحلیل تصویر را طی سه مرحله افزایش دهند. داده‌های تصویری میکروسکوپ معمولا تار می‌شوند. در مرحله نخست، پژوهشگران برای کاهش میزان تار شدن تصویر، از یک روند تحلیلی استفاده کردند که طی آن، رایانه بین تصویر تار و برآوردی از جسم واقعی موجود در تصویر حرکت می‌کند تا بهترین ارزیابی را در مورد جسم واقعی ارائه دهد. شروف و همکارانش با تنظیم الگوریتم کلاسیک تجزیه و تحلیل، سرعت ارزیابی را تا بیش از ۱۰ برابر افزایش دادند. شروف در این باره گفت: این الگوریتم بهبود یافته می‌تواند کارآیی گسترده‌ای داشته باشد و تقریبا در همه میکروسکوپ‌های فلوئورسانس به کار برود. پژوهشگران در دومین مرحله تلاش کردند تا مشکل ثبت سه‌بعدی را حل کنند. ثبت سه‌بعدی معمولا با هم‌ردیف کردن و تلفیق چندین تصویر از یک جسم در زوایای گوناگون انجام می‌شود. پژوهشگران چندین روش را برای بهبود ثبت سه‌بعدی به کار گرفتند که یکی از آنها استفاده از "واحد پردازش گرافیکی"(GPU) بود. شروف ادامه داد: به نظر می‌رسد که ثبت پایگاه داده‌های بزرگ، زمان بیشتری نسبت به زمان تحلیل آنها نیاز دارد. وی افزود: پیشرفت‌های ما در ثبت سه‌بعدی و تجزیه و تحلیل به این معناست که تحلیل تصویر با کمک داده‌های موجود در کارت گرافیکی می‌تواند با سرعت انجام شود. ما برای پایگاه داده‌های بزرگتر، راهی یافته‌ایم که می‌تواند داده‌ها را به صورت کارآمد ثبت کند تا به واحد پردازش گرافیکی منتقل و سپس به یکدیگر متصل شوند. اگر بخواهیم از بافت بزرگتری تصویربرداری کنیم، این کار بسیار مهم خواهد بود. برای مثال، اگر قصد تصویربرداری از یک حیوان دریایی را داشته باشیم و یا بخواهیم یک اندام را به صورت واضح زیر میکروسکوپ ببینیم، این روش به ما کمک خواهد کرد. پژوهشگران در مرحله سوم، از یادگیری عمیق برای تحلیل پیشرفته استفاده کردند تا بتوانند تحلیل پایگاه داده‌ها را بهبود ببخشند. آنها رایانه را آموزش دادند تا رابطه میان داده‌های تصویر تار ورودی و تصویر واضح خروجی را تشخیص دهد. شروف گفت: این روش، عملکرد بسیار خوبی داشت. شبکه عصبی آموزش داده شده توانست نتایج تحلیلی را بسیار سریع تحلیل کند. وی افزود: هنگامی که شبکه عصبی را برای تشخیص یک نوع تصویر مثلا تصویر یک سلول آموزش می‌دهیم، می‌تواند تصاویری مانند آن را به خوبی تحلیل کند اما اگر تصویر کمی متفاوت باشد، داده‌های دیگری ارائه می‌دهد. فریب دادن یک شبکه عصبی، بسیار ساده است. یک بخش فعال پژوهش ما، ایجاد شبکه‌های عصبی است که با روش کلی‌تری کار می‌کند. این پژوهش، در مجله "Nature Biotechnology" به چاپ رسید. انتهای پیام