Начало работы с трансферным обучением
- Глубокие сверточные нейронные сети для многоцелевого отслеживания: подход к трансфертному обучению(arXiv)
Автор:амиан Оверко, Чарилаос Канацулис, Алехандро Рибейро, Дональд Дж. Буччи-младший, Дженнифер Бондарчук
Аннотация: Многоцелевое отслеживание (МТТ) — это традиционная задача обработки сигналов, целью которой является оценка состояний неизвестного количества движущихся целей на основе зашумленных измерений датчика. В этой статье мы пересматриваем MTT с точки зрения глубокого обучения и предлагаем архитектуры сверточных нейронных сетей (CNN) для решения этой проблемы. Мы представляем целевые состояния и измерения датчиков в виде изображений. Таким образом, мы переделываем проблему как задачу прогнозирования изображения к изображению, для которой мы обучаем полностью сверточную модель. Эта архитектура мотивирована новой теоретической границей ошибки переносимости CNN. Предлагаемая архитектура CNN превосходит фильтр GM-PHD в задаче MTT с 10 целями. Производительность CNN переносится без повторного обучения на более крупную задачу MTT с 250 целями с увеличением среднего значения OSPA всего на 13%.
2. Репозиционирование лекарств при болезни Альцгеймера с помощью трансферного обучения(arXiv)
Автор:Етао Ву, Хань Лю, Цзе Ян, Сяолинь Ху
Аннотация:Глубокое обучение и DRUG-seq (цифровая РНК с нарушением генов) привлекли внимание при открытии лекарств. Однако общедоступный набор данных DRUG-seq слишком мал, чтобы его можно было использовать для непосредственного обучения нейронной сети глубокого обучения с нуля. Вдохновленные методом трансферного обучения, мы предварительно обучаем модель нейронной сети для прогнозирования эффективности лекарств с помощью данных L1000 библиотеки интегрированных сетевых сигнатур клеток (LINCS), а затем используем данные DRUG-seq нейронных клеток человека для ее точной настройки. После обучения модель используется для виртуального скрининга, чтобы найти потенциальные лекарства для лечения болезни Альцгеймера (БА). Наконец, мы находим 27 потенциальных препаратов для лечения БА, включая ирсогладин (ингибитор ФДЭ4), таскинимод (селективный ингибитор HDAC4), супрофен (двойной ингибитор ЦОГ-1/ЦОГ-2) и др.
3.Улучшение идентификации камней в почках на эндоскопических изображениях с помощью двухэтапного трансферного обучения(arXiv)
Автор:: Франсиско Лопес-Тиро, Хуан Пабло Бетанкур-Ренгифо, Артуро Руис-Санчес, Иван Рейес-Амескуа, Джонатан Эль-Безе, Жак Юбер , Мишель Додон, Жильберто Очоа-Руис, Кристиан Дауль
Вывод:знание причины образования камней в почках имеет решающее значение для разработки методов лечения, предотвращающих рецидивы. В настоящее время существуют различные подходы к определению типа камней в почках. Однако процедура эталонной идентификации ex vivo может занять до нескольких недель, а для визуального распознавания in vivo требуются высококвалифицированные специалисты. Модели машинного обучения были разработаны, чтобы предоставить урологам автоматическую классификацию камней в почках во время уретероскопии; однако в целом наблюдается недостаток качества данных и методов обучения. В этой работе для обучения классификатора камней в почках используется двухэтапный подход к обучению. Предлагаемый подход переносит знания, полученные на наборе изображений камней в почках, полученных с помощью ПЗС-камеры (набор данных ex-vivo), в окончательную модель, которая классифицирует изображения из эндоскопических изображений (набор данных ex-vivo). Результаты показывают, что изучение признаков из разных областей с похожей информацией помогает повысить производительность модели, которая выполняет классификацию в реальных условиях (например, неконтролируемые условия освещения и размытие). Наконец, по сравнению с моделями, которые обучаются с нуля или путем инициализации весов ImageNet, полученные результаты показывают, что двухэтапный подход извлекает признаки, улучшающие идентификацию камней в почках на эндоскопических изображениях.
