1. Неконтролируемая сегментация данных биомедицинских гиперспектральных изображений: решение проблемы высокой размерности с помощью сверточных автоэнкодеров (arXiv)
Автор:Киаран Скамья, Джаякрупакар Наллала, Чун-Чин Ван, Ханна Шеридан, Николас Стоун.
Аннотация: информация о структуре и составе образцов биопсии может помочь в мониторинге и диагностике заболеваний. В принципе, это можно получить с помощью рамановских и инфракрасных (ИК) гиперспектральных изображений (HSI), которые кодируют информацию о том, как молекулы, составляющие образец, расположены в пространстве. Каждый срез/компонент ткани определяется уникальной комбинацией пространственных и спектральных характеристик, но, учитывая высокую размерность наборов данных HSI, извлечение и использование их для сегментирования изображений нетривиально. Здесь мы показываем, как сети, основанные на глубоких сверточных автоэнкодерах (CAE), могут выполнять эту задачу сквозным образом, сначала обнаруживая и сжимая соответствующие функции из патчей HSI в низкоразмерные скрытые векторы, а затем выполняя кластеризацию. шаг, на котором фрагменты, содержащие сходные пространственно-спектральные характеристики, группируются вместе. Мы демонстрируем преимущества использования этого подхода сквозной пространственно-спектральной сегментации по сравнению с i) тем же пространственно-спектральным методом, не обученным сквозному методу, и ii) методом, который использует только спектральные признаки (спектральные k-средние) с использованием смоделированных HSI свиной ткани в качестве тестовых примеров. Во-вторых, мы описываем потенциальные преимущества/ограничения использования трех различных архитектур CAE: общей 2D CAE, общей 3D CAE и 2D архитектуры CNN, вдохновленной недавно предложенной сетью UwU, которая специализируется на извлечении функций из данных HSI. Мы оцениваем их эффективность на IR HSI реальных образцов толстой кишки. Мы обнаружили, что все архитектуры способны производить сегментации, которые показывают хорошее соответствие с окрашенными HE срезами соседних тканей, используемыми в качестве приблизительных основных истин, что указывает на надежность подхода, основанного на CAE, для сегментации биомедицинских данных HSI. Кроме того, мы подчеркиваем необходимость получения более точной информации о достоверности данных для тщательного сравнения преимуществ, предлагаемых каждой архитектурой.
2. Контролируемое уменьшение размерности и классификация с помощью сверточных автоэнкодеров (arXiv)
Автор:Иоаннис А. Неллас, Сотирис К. Тасулис, Вассилис П. Плагианакос, Спирос В. Георгакопулос
Аннотация: Совместная оптимизация ошибок реконструкции и классификации является сложной невыпуклой задачей, особенно когда используется нелинейное отображение. Чтобы преодолеть это препятствие, предлагается новая стратегия оптимизации, в которой сверточный автоэнкодер для уменьшения размерности и классификатор, состоящий из полносвязной сети, объединяются для одновременного получения контролируемого уменьшения размерности и прогнозирования. Оказалось, что эта методология также может быть очень полезна для обеспечения объяснимости архитектур глубокого обучения. Кроме того, полученное скрытое пространство, оптимизированное для задачи классификации, можно использовать для улучшения традиционных интерпретируемых алгоритмов классификации. Экспериментальные результаты показали, что предложенная методология достигла конкурентоспособных результатов по сравнению с современными методами глубокого обучения, будучи гораздо более эффективной с точки зрения подсчета параметров. Наконец, было эмпирически подтверждено, что предложенная методология вводит расширенную объяснимость не только в отношении структуры данных через созданное скрытое пространство, но и в отношении поведения классификации.
3. Моделирование пониженного порядка для стохастических крупномасштабных и зависящих от времени задач с использованием глубоких пространственных и временных сверточных автоэнкодеров (arXiv)
Автор: Аззедин Абдеду, Аззедин Сулеймани
Аннотация: ненавязчивая модель пониженного порядка, основанная на сверточных автоэнкодерах (NIROM-CAE), предлагается в качестве управляемого данными инструмента для построения эффективной нелинейной модели пониженного порядка для стохастических пространственно-временных крупномасштабных вычислений. физические проблемы. В методе используются два 1d-сверточных автоэнкодера (CAE) для уменьшения пространственных и временных измерений из набора снимков с высокой точностью, собранных с помощью высокоточного числового решателя. Закодированные скрытые векторы, сгенерированные из двух уровней сжатия, затем сопоставляются с входными параметрами с помощью многослойного персептрона на основе регрессии (MLP). Точность предлагаемого подхода сравнивается с точностью линейной искусственной нейронной сети на основе метода пониженного порядка (POD-ANN) с помощью двух эталонных тестов (одномерные решения Бюргерса и Стокера) и гипотетической задачи о прорыве дамбы. с неструктурированной сеткой и над рекой сложной батиметрии. Численные результаты показывают, что предлагаемая нелинейная структура обладает сильными прогностическими способностями для точной аппроксимации статистических моментов выходных данных для сложных стохастических крупномасштабных и зависящих от времени задач с низкими вычислительными затратами на онлайн-этапе прогнозирования.
