شبکه های عصبی مخلوط متراکم متراکم

بسیاری از کاربردهای یادگیری ماشینی برای مشکلات تصویربرداری از شبکه های عصبی کانسیلر عمیق (DCNNs) استفاده می کنند ، که در آن تصویر ورودی و تصاویر میانی در تعداد زیادی لایه پی در پی حل می شوند و به شبکه اجازه می دهند ویژگی های بسیار غیرخطی را یاد بگیرد. برای دستیابی به نتایج دقیق برای مشکلات پردازش تصویر دشوار ، DCNN معمولاً به ترکیبی از عملیات و اتصالات اضافی از جمله ، مثلاً عملیات کم کاری و پراکندگی برای گرفتن ویژگی در مقیاس های مختلف تصویر متکی است. برای آموزش شبکه های عمیق تر و قدرتمندتر ، انواع و اتصالات لایه اضافی اغلب مورد نیاز است. سرانجام ، DCNN معمولاً از تعداد زیادی از تصاویر میانی و پارامترهای قابل آموزش ، اغلب بیش از 100 میلیون نفر ، برای دستیابی به نتایج برای مشکلات دشوار استفاده می کنند.

درعوض ، معماری شبکه جدید "مخلوط مقیاس" متراکم از بسیاری از این عوارض جلوگیری می کند و محورهای پیچیده را به عنوان جایگزینی برای عملیات پوسته پوسته شدن برای گرفتن ویژگی در دامنههای مختلف فضایی ، استفاده از مقیاسهای مختلف در یک لایه و محاسبه اتصال متراکم به همه تصاویر محاسبه می کند. الگوریتم جدید با چند تصویر و پارامترهای متوسط ​​به نتایج دقیقی می رسد ، و هم نیاز به تنظیم تنظیمات هایپرپارامتر و هم لایه ها یا اتصالات اضافی را برای فعال کردن آموزش از بین می برد.

گرفتن اطلاعات با وضوح بالا از داده های با وضوح پایین

یک چالش متفاوت تولید تصاویر با وضوح بالا از ورودی با وضوح پایین است. هر کس که سعی کرده است یک عکس کوچک را بزرگ کند و فهمید که فقط بزرگتر می شود بدتر می شود ، این صدایش نزدیک به غیرممکن است. اما یک مجموعه کوچک از تصاویر آموزشی پردازش شده با یک شبکه متراکم متراکم می تواند مسیر واقعی را فراهم کند. به عنوان نمونه ، تصور کنید که سعی در خنثی سازی بازسازی های توموگرافیک یک مینی کامپوزیت تقویت شده با فیبر دارید. در آزمایشی که در مقاله شرح داده شد ، تصاویر با استفاده از 1024 پیش بینی اشعه ایکس به دست آمده برای بدست آوردن تصاویر با مقادیر نسبتاً کم سر و صدا بازسازی شدند. تصاویر پر سر و صدا از همان شیء سپس با بازسازی با استفاده از 128 پیش بینی بدست آمد. ورودی های آموزش تصاویر پر سر و صدایی بودند که از تصاویر بدون صدای مربوط به عنوان خروجی هدف در طول آموزش استفاده می شدند.

برنامه های جدید

Pelt و Sethian در حال اتخاذ رویکرد خود به تعداد زیادی از مناطق جدید مانند تجزیه و تحلیل سریع در زمان واقعی تصاویر از منابع نوری synchrotron و مشکلات بازسازی در بازسازی بیولوژیکی مانند سلول ها و نقشه برداری مغز هستند.

پلت گفت: "این رویکردهای جدید واقعاً هیجان انگیز است ، زیرا آنها امکان یادگیری ماشینی را برای انواع بسیار بیشتری از مشکلات تصویربرداری از زمان ممکن فراهم می کنند." "با کاهش میزان تصاویر آموزش مورد نیاز و افزایش اندازه تصاویر قابل پردازش ، می توان از معماری جدید برای پاسخ به سؤالات مهم در بسیاری از زمینه های تحقیق استفاده کرد."