Name: רשת עצבית עמוקה מקצה לקצה לזיהוי עצמים בולטים בסביבות מורכבות (וידאו) | JoVE Journal
Uploaded: 2023-12-15T13:10:00.000+00:00
Duration: 3 min 31 s
Description: למדו אלגוריתם זיהוי עצמים בולטים מבוסס רשתות עצביות עמוקות לשיפור דיוק בזיהוי תמונות בסביבות מורכבות. השיטה מיושמת בבדיקת מבודדים ברשתות חכמות.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

עבודה זו נתמכת על ידי 2024 Henan Provincial Higher Education Institutions Key Science Research Project Funding Program Establishment (מספר פרויקט:24A520053). מחקר זה נתמך גם על ידי בניית קורס הדגמה אופייני ליצירה ואינטגרציה מיוחדת במחוז הנאן.

1. הגדרת ניסוי ונוהל
<ol><li>טען את דגם VGG16 שהוכשר מראש. הערה: השלב הראשון הוא לטעון את דגם VGG16 שהוכשר מראש מספריית Keras6.<ol><li>כדי לטעון מודל VGG16 מאומן מראש ב-Python באמצעות ספריות למידה עמוקה פופולריות כמו PyTorch (ראה טבלת חומרים), בצע את השלבים הכלליים הבאים:<ol><li>לפיד ייבוא. ייבוא torchvision.models כמודים.</li>
			<li>טען את דגם VGG16 שהוכשר מראש. vgg16_model = models.vgg16(pretrained=True).</li>
			<li>ודא שהסיכום של דגם VGG16 הוא "הדפס(vgg16_model)".</li>
		</ol></li>
	</ol></li>
	<li>הגדר את המודלים DCL ו- DEDN.<ol><li>עבור הפסאודו-קוד של אלגוריתם DCL, ספק קלט: ערכת נתוני תמונה SOD ופלט: מודל DCL מאומן.<ol><li>אתחל את מודל DCL באמצעות רשת עמוד השדרה VGG16.</li>
			<li>עבד מראש את ערכת הנתונים D של התמונה (לדוגמה, שינוי גודל, נורמליזציה).</li>
			<li>פצל את ערכת הנתונים לערכות הדרכה ותיקוף.</li>
			<li>הגדר את פונקציית ההפסד לאימון מודל DCL (לדוגמה, אנטרופיה בינארית צולבת).</li>
			<li>הגדר את פרמטרי העל לאימון: קצב למידה (0.0001), מספר תקופות האימון שנקבעו (50), גודל האצווה הוא (8), אופטימייזר (אדם).</li>
			<li>אמן את מודל DCL: עבור כל תקופה במספר המוגדר של תקופות, בצע עבור כל אצווה בערכת האימונים. הזן את הפרטים הבאים:<ol><li>מעבר קדימה: הזנת תמונות אצווה למודל DCL. חשב את ההפסד באמצעות מפות הסליינסי החזויות ומפות האמת הקרקעיות.</li>
				<li>מעבר אחורה: עדכן את פרמטרי הדגם באמצעות קצה ירידה הדרגתית. חשב את אובדן האימות ומדדי הערכה אחרים בסוף קבוצת התיקוף.</li>
			</ol></li>
			<li>שמור את מודל DCL המיומן.</li>
			<li>החזר את מודל DCL שהוכשר.</li>
		</ol></li>
		<li>עבור פסאודו-קוד עבור אלגוריתם DEDN, קלט: ערכת נתוני תמונה (X), מפות סלינסי אמת קרקעית (Y), מספר חזרות אימון (N).<ol><li>עבור רשת המקודד, ודא שהמקודד מבוסס על שלד VGG16 עם שינויים (כמפורט להלן). הערה: encoder_input = קלט(צורה=input_shape) encoder_conv1 = Conv2D(64, (3, 3), activation='relu', padding='same')(encoder_input) encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) encoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(encoder_pool1) encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) encoder_conv3 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool2) encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>עבור רשת המפענח, ודא שהמפענח מבוסס על שלד VGG16 עם שינויים (כמפורט להלן). הערה: decoder_conv1 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool3) decoder_upsample1 = UpSampling2D((2, 2))(decoder_conv1) decoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(decoder_upsample1) decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) decoder_conv3 = Conv2D(64, (3, 3), activation='relu', padding='same')(decoder_upsample2) decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) decoder_output = Conv2D(1, (1, 1), activation='sigmoid', padding='same')(decoder_upsample3)</li>
		</ol></li>
		<li>הגדר את מודל DEDN. מודל = מודל (כניסות = encoder_input, תפוקות = decoder_output).</li>
		<li>הידור המודל. model.compile (אופטימייזר = אדם, הפסד = binary_crossentropy).</li>
		<li>בחר את לולאת האימון. הערה: לאיטרציה בטווח (N): # בחר באופן אקראי קבוצה של תמונות ומפות אמת קרקעיות; batch_X, batch_Y = randomly_select_batch(X, Y, batch_size).<ol><li>הרכבת המודל על אצווה. הפסד = model.train_on_batch(batch_X, batch_Y). הדפס את האובדן לצורך ניטור.</li>
		</ol></li>
		<li>שמור את המודל המאומן. model.save ('dedn_model.h5').</li>
	</ol></li>
	<li>לשלב.<ol><li>שלב את היציאות של רשתות DCL ו- DEDN ומקד את מפת saliency באמצעות מודל שדה אקראי מותנה (CRF) מחובר במלואו.</li>
	</ol></li>
</ol>2. עיבוד תמונה
<ol><li>לחץ על קוד הפעלה כדי להציג את ממשק ממשק המשתמש הגרפי (איור 4).</li>
	<li>לחץ על התמונה הפתוחה כדי לבחור את הנתיב ובכך את התמונה שיש לזהות.</li>
	<li>לחץ על תמונת התצוגה כדי להציג את התמונה שנבחרה לזיהוי.</li>
	<li>לחץ על התחל זיהוי כדי לזהות את התמונה שנבחרה. הערה: תוצאת הזיהוי תופיע עם התמונה שזוהתה, כלומר התוצאה של האובייקט הבולט (איור 5).</li>
	<li>לחץ על בחר בנתיב השמירה כדי לשמור את תוצאות התמונה של זיהוי האובייקט הבולט.</li>
</ol>

דיוק משופר בזיהוי אובייקטים בולטים באמצעות רשתות עצביות עמוקות

<ol><li>Wang, W. G., Shen, J. B., Ling, H. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+network+solution+for+attention+and+aesthetics+aware+photo+cropping%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">A deep network solution for attention and aesthetics aware photo cropping.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 41 (7), 1531-1544 (2018).</li>
<li>Wang, W. G., Sun, G. L., Gool, L. V. Looking beyond single images for weakly supervised semantic segmentation learning. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWang%2C+WG+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine%22">IEEE Transactions on Pattern Analysis and Machine</a>. , (2022).</li>
<li>Mei, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+dense+context+for+salient+object+detection%5BTitle%5D)+AND+%22IEEE+Transactions+on+Circuits+and+Systems+for+Video+Technology%22%5BJournal%5D)">Exploring dense context for salient object detection.</a> IEEE Transactions on Circuits and Systems for Video Technology. 32 (3), 1378-1389 (2021).</li>
<li>Borji, A., Itti, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((State-of-the-art+in+visual+attention+modeling%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">State-of-the-art in visual attention modeling.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (1), 185-207 (2012).</li>
<li>Fully convolutional networks for semantic segmentation. Long, J., Shelhamer, E., Darrell, T. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3431-3440 (2015).</li>
<li>Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSimonyan%2C+K+%22arXiv+preprint%22">arXiv preprint</a>. , 1409-1556 (2014).</li>
<li>Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 770-778 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>Wu, R., et al. A mutual learning method for salient object detection with intertwined multi-supervision. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Deep contrast learning for salient object detection. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 478-487 (2019).</li>
<li>Ren, Q., Hu, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-scale+deep+encoder-decoder+network+for+salient+object+detection%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Multi-scale deep encoder-decoder network for salient object detection.</a> Neurocomputing. 316, 95-104 (2018).</li>
<li>Wang, W. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Salient+object+detection+in+the+deep+learning+era%3A+An+in-depth+survey%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Salient object detection in the deep learning era: An in-depth survey.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (6), 3239-3259 (2021).</li>
<li>Zhou, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RGB-D+salient+object+detection%3A+A+survey%5BTitle%5D)+AND+%22Computational+Visual+Media%22%5BJournal%5D)">RGB-D salient object detection: A survey.</a> Computational Visual Media. 7, 37-69 (2021).</li>
<li>Fu, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Siamese+network+for+RGB-D+salient+object+detection+and+beyond%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Siamese network for RGB-D salient object detection and beyond.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (9), 5541-5559 (2021).</li>
<li>Lai, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Weakly+supervised+visual+saliency+prediction%5BTitle%5D)+AND+%22IEEE+Transactions+on+Image+Processing%22%5BJournal%5D)">Weakly supervised visual saliency prediction.</a> IEEE Transactions on Image Processing. 31, 3111-3124 (2022).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>A mutual learning method for salient object detection with intertwined multi-supervision. Wu, R. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Wang, W., Shen, J., Dong, X., Borji, A., Yang, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+salient+objects+from+human+fixations%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Inferring salient objects from human fixations.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (8), 1913-1927 (2019).</li>
<li>Design and perceptual validation of performance measures for salient object segmentation. Movahedi, V., Elder, J. H. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops, , 49-56 (2010).</li>
<li>Shi, J., Yan, Q., Xu, L., Jia, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hierarchical+image+saliency+detection+on+extended+CSSD%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Hierarchical image saliency detection on extended CSSD.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 38 (4), 717-729 (2015).</li>
<li>Frequency-tuned salient region detection. Achanta, R., Hemami, S., Estrada, F., Susstrunk, S. 2009 IEEE Conference on Computer Vision and Pattern Recognition, , 1597-1604 (2009).</li>
<li>Saliency detection via graph-based manifold ranking. Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M. H. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3166-3173 (2013).</li>
<li>Wei, Y., et al. Geodesic saliency using background priors. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWei%2C+Y+%22Computer+Vision-ECCV+2012%22">Computer Vision-ECCV 2012</a>. , Springer. Berlin Heidelberg. 29-42 (2012).</li>
<li>What makes a patch distinct. Margolin, R., Tal, A., Zelnik-Manor, L. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1139-1146 (2013).</li>
<li>Saliency filters: Contrast based filtering for salient region detection. Perazzi, F., Krähenbühl, P., Pritch, Y., Hornung, A. 2012 IEEE Conference on Computer Vision and Pattern Recognition, , 733-740 (2012).</li>
<li>Hou, X., Harel, J., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image+signature%3A+Highlighting+sparse+salient+regions%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Image signature: Highlighting sparse salient regions.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 34 (1), 194-201 (2011).</li>
<li>Salient object detection: A discriminative regional feature integration approach. Jiang, H., et al. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 2083-2090 (2013).</li>
<li>Visual saliency based on multiscale deep features. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 5455-5463 (2015).</li>
<li>Deep saliency with encoded low level distance map and high-level features. Lee, G., Tai, Y. W., Kim, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 660-668 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
</ol>

למחברים אין מה לחשוף.

המאמר מציג רשת עצבית עמוקה מקצה לקצה שתוכננה במיוחד לזיהוי עצמים בולטים בסביבות מורכבות. הרשת מורכבת משני רכיבים המחוברים זה לזה: רשת קונבולוציה מלאה (DCL) רב-ממדית ברמת הפיקסל ורשת מקודד-מפענח עמוק (DEDN). רכיבים אלה פועלים בסינרגיה, ומשלבים סמנטיקה הקשרית כדי ליצור ניגודים חזותיים בתוך מפות תכונות בקנה מידה רב. בנוסף, הם ממנפים תכונות תמונה עמוקות ורדודות כדי לשפר את הדיוק של תיחום גבולות אובייקט. השילוב של מודל שדה אקראי מותנה (CRF) מחובר במלואו משפר עוד יותר את הקוהרנטיות המרחבית של מפות סלינסיות ותיחום קווי מתאר.</p...

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016a</td><td>ממשק התכנות של MATLAB מספק כלי פיתוח לשיפור איכות הקוד, התחזוקה ומקסום הביצועים. הוא מספק כלים לבניית יישומים באמצעות ממשקים גרפיים מותאמים אישית. הוא מספק כלים לשילוב אלגוריתמים מבוססי MATLAB עם יישומים ושפות חיצוניות</td></tr><tr><td>מעבד&nbsp;</td><td>מעבד Intel</td>(<td>R) Core (TM) i5-1135G7 @ 2.40GHz</td><td>64-bit Win11 מעבד&nbsp;</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>PyCharm 3.0</td><td>PyCharm הוא Python IDE (סביבת פיתוח משולבת) רשימה של נדרשים python: modulesmatplotlib skimage torch os time pydensecrf opencv glob PIL torchvision numpy tkinter</td></tr><tr><td>PyTorch&nbsp;</td><td>פייסבוק</td><td>PyTorch 1.4&nbsp;</td><td>PyTorch היא ספריית למידת מכונה של Python בקוד פתוח , המבוססת על לפיד , המשמשת לעיבוד שפה טבעית ויישומים אחרים. ניתן לראות את PyTorch הן כתוספת של תמיכה ב- GPU numpy , אך גם ניתן לראות אותו כרשת עצבית עמוקה וחזקה עם נגזרות אוטומטיות .</td></tr></tbody></table>

רשת עצבית עמוקה מקצה לקצה לזיהוי עצמים בולטים בסביבות מורכבות

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

זיהוי אובייקטים בולטים התגלה כתחום עניין מתפתח בתחום הראייה הממוחשבת. עם זאת, האלגוריתמים הרווחים מפגינים דיוק מופחת כאשר הם נדרשים לזהות עצמים בולטים בסביבות מורכבות ומרובות פנים. לאור דאגה דחופה זו, מאמר זה מציג רשת עצבית עמוקה מקצה לקצה שמטרתה לזהות עצמים בולטים בסביבות מורכבות. המחקר מציג רשת עצבית עמוקה מקצה לקצה שמטרתה לזהות עצמים בולטים בסביבות מורכבות. הרשת המוצעת, המורכבת משני רכיבים הקשורים זה בזה, כלומר רשת קונבולוציה מלאה רב-ממדית ברמת הפיקסל ורשת מקודדת-מפענח עמוקה, משלבת סמנטיקה הקשרית כדי לייצר ניגודיות חזותית על פני מפות תכונות בקנה מידה רב-ממדי תוך שימוש בתכונות תמונה עמוקות ורדודות כדי לשפר את הדיוק של זיהוי גבולות אובייקט. השילוב של מודל שדה אקראי מותנה מחובר במלואו (CRF) משפר עוד יותר את הקוהרנטיות המרחבית ואת תיחום קווי המתאר של מפות בולטות. האלגוריתם המוצע נבחן בהרחבה מול 10 אלגוריתמים עכשוויים במסדי הנתונים SOD ו-ECSSD. תוצאות ההערכה מראות כי האלגוריתם המוצע עולה בביצועיו על גישות אחרות במונחים של דיוק ודיוק, ובכך מבסס את יעילותו בזיהוי עצמים בולטים בסביבות מורכבות.

מחקר זה מציג רשת עצבית עמוקה מקצה לקצה הכוללת שתי רשתות משלימות: רשת קונבולוציה מלאה רב-ממדית ברמת הפיקסל ורשת מקודד-מפענח עמוק. הרשת הראשונה משלבת סמנטיקה הקשרית כדי להפיק ניגודים חזותיים ממפות תכונות בקנה מידה רב, ומתמודדת עם האתגר של שדות קלט קבועים ברשתות עצביות עמוקות על פני שכבות שונות. הרשת השנייה משתמשת בתכונות תמונה עמוקות ורדודות כדי למתן את בעיית הגבולות המטושטשים באובייקטי המטרה. לבסוף, מודל שדה אקראי מותנה מחובר במלואו (CRF) מוחל כדי לשפר את הקוהרנטיות המרחבית ואת קווי המתאר של מפת הסליינסי.
<p class="jo...

הפרוטוקול הנוכחי מתאר אלגוריתם חדשני לזיהוי אובייקטים בולטים מקצה לקצה. הוא ממנף רשתות עצביות עמוקות כדי לשפר את הדיוק של זיהוי אובייקטים בולטים בהקשרים סביבתיים מורכבים.

Salient object detection has emerged as a burgeoning area of interest within the realm of computer vision. However, prevailing algorithms exhibit ...

המחקר שלנו נע בין זיהוי אובייקטים בולטים, ראייה ממוחשבת, עיבוד תמונה ועוד. אנחנו רוצים לתת מענה ליישום של זיהוי עצמים בולטים, כמו השימוש בו ברשת חכמה לבדיקת מבודדים. התקדמות המחקר הבאה כוללת העברת אלגוריתמים של אובייקטים בולטים ללמידה בהקשר של רשתות חכמות.הרשתות העצביות הקונבולוציוניות יכולות לפעול בצורה יעילה יותר כמידע בולט מתמונות, ולשפר את העיבוד של זיהוי אובייקטים בולטים. לכן, הם מקדמים את המחקר בזיהוי אובייקטים בולטים. תוצאות המחקר שלנו משפרות את הדיוק של זיהוי עצמים בולטים, ומאפשרות העברה של אלגוריתמים כגון היישום שלהם ברשתות חכמות לצורך סגמנטציה ואיתור יעילים של מבודדים.

end-to-end-deep-neural-network-for-salient-object-detection-complex

Research

JoVE Journal

Engineering

הנדסה

מטרת פרוטוקול זה היא לנצל מראש בנוי רשתות עצביות convolutional כדי להפוך מעקב התנהגות ולבצע ניתוח התנהגות מפורטת. ניתן להחיל מעקב אחר התנהגות על כל נתוני הווידאו או רצפי התמונות וניתנים להכליל כדי לעקוב אחר כל אובייקט המוגדר על-ידי המשתמש.

יישום שלב אחר שלב של התנהגות DeepBehavior ארגז כלים למידה עמוקה עבור ניתוח התנהגות אוטומטית

מטרת העבודה המוצגת במאמר זה היא לפתח טכנולוגיה לזיהוי אוטומטי של פריטי מזון ומשקאות מתמונות שצולמו על ידי מכשירים ניידים. הטכנולוגיה מורכבת משתי גישות שונות - הראשונה מבצעת זיהוי תמונת מזון ואילו השנייה מבצעת פילוח תמונת מזון.

רשתות עצביות עמוקות להערכת תזונה מבוססת תמונה

מטרת הניסוי היא לקבוע ולשלוט, גודל, צורה יציבות עצמית התאספו amphiphiles discotic במים. עבור מימית פולימרים מולקולריים מבוסס ברמה כזו של שליטה קשה מאוד. אנחנו מיישמים את האסטרטגיה בשתי אינטראקציות דוחה ומושכת. את ניסיוני בטכניקות להחיל לאפיין מערכת זו חלים באופן רחב.

שליטה על גודל, צורה ויציבות של פולימרים מולקולריים במים

אנו מתארים את השימוש בטכניקות תיל מליטה כדי ליצור התקני תחמוצות מורכבים בקנה מידה מיקרומטר פעם תצהיר לייזר (PLD), photolithography ו. PLD מנוצל לגדול סרטים דקים epitaxial. טכניקות photolithography וחוט מליטה הם הציגו כדי ליצור התקנים מעשיים למטרות מדידה.

המצאה של תחמוצות מורכבות מוקפות מרחבית

בגלל השימוש נרחב של החשיבות ופלדיום, זהב וקובלט   מתכות בציוד טכנולוגי גבוהה, השחזור והמיחזור שלהם מהווים אתגר תעשייתי חשוב. מערכת התאוששות המתכת המתוארת במסמך זה בעלות נמוכה פשוטה, אומרת לאיתור, הסר, והתאוששות היעילה של מתכות אלה מהמכרה העירונית.

איתור והשחזור של פלדיום, מתכות זהב וקובלט ממכרה העירונית באמצעות חיישנים / Adsorbents רומן יעודיים עם נקבוביות-בצורת גלגל עגלה ננומטריים

סורק הדמית חלקיקים מגנטיים בדגימות מישוריים פותח באמצעות תדר מישוריים ערבוב טכניקת זיהוי מגנטי. תגובת מוצר intermodulation המגנטית מן המגנטיזציה הקוי nonhysteretic של החלקיקים נרשמה עם עירור שתי בתדירות. ניתן להשתמש בו כדי לצלם תמונות 2D של דגימות ביולוגיות דקות.

תדירות ערבוב סורק זיהוי מגנטי הדמית חלקיקים מגנטיים בדגימות מישורים

מאמר זה מציג מנגנון מבוסס-עכבה לגילוי שיעור האידוי של פתרונות. הוא מציע יתרונות ברורים על פני גישת הרזיה קונבנציונלית: תגובה מהירה, איתור רגישות גבוהה, דרישת מדגם קטנה, מדידות מדגם מרובות, ופירוק קל למטרות ניקוי והשימוש חוזרים.

בעל ביצועים גבוהים פלטפורמת עכבה מבוססת איתור דרג אידוי

כאן, אנו מציגים הליך לשקילת עכבה סימולטני, rheology ואת פיזור נייטרונים מחומרים משנה רך תחת זרם גזירה.

RheoSANS דיאלקטרי - חקירת סימולטני של עכבה, Rheology וקטנים זווית ניוטרון פיזור של נוזלים מורכבים

המטרה של הפרוטוקול היא ליצור סרטים פולימר גבישי נוזלי יכול באופן מכני נעים תחת הקרנה תאורה רציפה. נתאר בפירוט רב את התפיסה של הסרטים שעמד חופשי, מן השיטה יישור גביש נוזלי צילום-הופעה. פרוטוקול נסיוני להחיל כדי להכין את החומר הזה הוא ישים באופן כללי.

הכנה של גביש נוזלי רשתות מאקרוסקופית תנועה מתנדנדות המושרה על ידי אור

מאמר זה מציג עבור זריעה נדיר אוכלוסיית תאים באמצעות פיפטה-טיפים droplet microfluidic התקנים על מנת לספק יעילות גבוהה יותר כימוס של תאים בטיפות פרוטוקול.

טיפ פיפטה המבוסס על שיטה עבור תאים זריעה על פלטפורמות Microfluidic רביב

למדו אלגוריתם זיהוי עצמים בולטים מבוסס רשתות עצביות עמוקות לשיפור דיוק בזיהוי תמונות בסביבות מורכבות. השיטה מיושמת בבדיקת מבודדים ברשתות חכמות.

רשת עצבית עמוקה מקצה לקצה לזיהוי עצמים בולטים בסביבות מורכבות

גלה סרטונים נוספים