यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
पुनर्निर्माण के बिना फूरियर पाइकोग्राफिक माइक्रोस्कोपी माप से प्रत्यक्ष छवि वर्गीकरण
Created by
Haebom
लेखक
नव्या सोनल अग्रवाल, जान फिलिप श्नाइडर, कंचना वैष्णवी गांडीकोटा, सैयद मुहम्मद काज़िम, जॉन मेश्रेकी, इवो इहरके, माइकल मोएलर
रूपरेखा
यह पत्र फूरियर पुटिहोग्राफिक माइक्रोस्कोपी (एफपीएम) की कम्प्यूटेशनल इमेजिंग तकनीकों का उपयोग करके एक विस्तृत क्षेत्र में उच्च-रिज़ॉल्यूशन वाली छवियां प्राप्त करने की एक विधि प्रस्तुत करता है। जबकि एफपीएम चिकित्सा अनुप्रयोगों जैसे कोशिका वर्गीकरण के लिए एक मूल्यवान उपकरण हो सकता है, दसियों या सैकड़ों मापों से उच्च-रिज़ॉल्यूशन वाली छवि का पुनर्निर्माण कम्प्यूटेशनल रूप से महंगा है। इसलिए, यह पत्र उच्च-रिज़ॉल्यूशन वाली छवि पुनर्निर्माण चरण के बिना एफपीएम माप से छवि सामग्री को सीधे वर्गीकृत करने के विचार की पड़ताल करता है। एक कन्वोल्यूशनल न्यूरल नेटवर्क (सीएनएन) का उपयोग करते हुए, हम माप अनुक्रम से सार्थक जानकारी निकालते हैं और एकल लो-पास छवि की तुलना में वर्गीकरण प्रदर्शन में 12% तक सुधार प्रदर्शित करते हैं, जबकि उच्च-रिज़ॉल्यूशन वाली छवि पुनर्निर्माण की तुलना में काफी अधिक कुशल दृष्टिकोण का प्रदर्शन करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
हम दर्शाते हैं कि एफपीएम मापों का प्रत्यक्ष वर्गीकरण उच्च-रिज़ॉल्यूशन छवि पुनर्निर्माण की कम्प्यूटेशनल लागत को महत्वपूर्ण रूप से कम कर सकता है।
◦
सीएनएन का उपयोग करके एकल निम्न-पास छवियों पर बेहतर वर्गीकरण सटीकता प्राप्त करना।
◦
मल्टीप्लेक्सिंग तकनीक सीखकर डेटा अधिग्रहण का समय कम किया जा सकता है।
•
Limitations:
◦
प्रस्तावित विधि का प्रदर्शन प्रयुक्त CNN मॉडल और प्रशिक्षण डेटा पर निर्भर हो सकता है।
◦
विभिन्न प्रकार की कोशिकाओं या छवियों के लिए सामान्यीकरण प्रदर्शन को और अधिक सत्यापित करने की आवश्यकता है।
◦
चिकित्सा क्षेत्र में व्यावहारिक अनुप्रयोग के लिए और अधिक शोध की आवश्यकता है।
