Name: شبكة عصبية عميقة من طرف إلى طرف لاكتشاف الأجسام البارزة في البيئات المعقدة (فيديو) | JoVE Journal
Uploaded: 2023-12-15T13:10:00.000+00:00
Duration: 3 min 31 s
Description: اكتشف خوارزمية كشف الأجسام البارزة من طرف إلى طرف باستخدام الشبكات العصبية العميقة. تحسّن هذه الطريقة دقة الكشف في البيئات المعقدة وتطبيقات الشبكات الذكية.

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

يتم دعم هذا العمل من قبل مؤسسة تمويل مشروع البحث العلمي الرئيسي لمؤسسات التعليم العالي في مقاطعة خنان لعام 2024 (رقم المشروع: 24A520053). يتم دعم هذه الدراسة أيضا من خلال بناء دورة توضيحية متخصصة في الإنشاء والتكامل في مقاطعة خنان.

1. الإعداد التجريبي والإجراءات
<ol><li>قم بتحميل طراز VGG16 المدرب مسبقا. ملاحظة: الخطوة الأولى هي تحميل طراز VGG16 المدرب مسبقا من مكتبة Keras6.<ol><li>لتحميل نموذج VGG16 مدرب مسبقا في Python باستخدام مكتبات التعلم العميق الشائعة مثل PyTorch (انظر جدول المواد) ، اتبع الخطوات العامة التالية:<ol><li>استيراد الشعلة. استيراد نماذج torchvision.models كنماذج.</li>
			<li>قم بتحميل طراز VGG16 المدرب مسبقا. vgg16_model = models.vgg16 (تم تدريبه مسبقا = صحيح).</li>
			<li>تأكد من أن ملخص طراز VGG16 هو "طباعة (vgg16_model)".</li>
		</ol></li>
	</ol></li>
	<li>تحديد نماذج DCL و DEDN.<ol><li>بالنسبة للكود الزائف لخوارزمية DCL ، قم بتوفير الإدخال: مجموعة بيانات الصورة SOD والإخراج: نموذج DCL المدرب.<ol><li>قم بتهيئة طراز DCL باستخدام شبكة VGG16 الأساسية.</li>
			<li>المعالجة المسبقة لمجموعة بيانات الصورة D (على سبيل المثال ، تغيير الحجم ، التطبيع).</li>
			<li>قسم مجموعة البيانات إلى مجموعات تدريب والتحقق من الصحة.</li>
			<li>تحديد دالة الخسارة لتدريب نموذج DCL (على سبيل المثال ، الإنتروبيا المتقاطعة الثنائية).</li>
			<li>تعيين المعلمات الفائقة للتدريب: معدل التعلم (0.0001) ، عدد فترات التدريب المحددة (50) ، حجم الدفعة (8) ، المحسن (آدم).</li>
			<li>تدريب نموذج DCL: لكل حقبة في عدد محدد من العهود ، قم بكل دفعة في مجموعة التدريب. أدخل ما يلي:<ol><li>تمرير إلى الأمام: تغذية الصور المجمعة إلى نموذج DCL. احسب الخسارة باستخدام خرائط البروز المتوقعة وخرائط الحقيقة الأرضية.</li>
				<li>التمرير للخلف: قم بتحديث معلمات النموذج باستخدام نهاية نزول التدرج. احسب خسارة التحقق من الصحة ومقاييس التقييم الأخرى في نهاية مجموعة التحقق من الصحة.</li>
			</ol></li>
			<li>احفظ نموذج DCL المدرب.</li>
			<li>إرجاع نموذج DCL المدرب.</li>
		</ol></li>
		<li>بالنسبة للرمز الزائف لخوارزمية DEDN ، الإدخال: مجموعة بيانات الصورة (X) ، خرائط بروز الحقيقة الأرضية (Y) ، عدد تكرارات التدريب (N).<ol><li>بالنسبة لشبكة التشفير ، تأكد من أن برنامج التشفير يعتمد على الهيكل العظمي VGG16 مع التعديلات (كما هو مذكور أدناه). ملاحظة: encoder_input = الإدخال (الشكل = input_shape) encoder_conv1 = Conv2D (64 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_input) encoder_pool1 = MaxPooling2D ((2 ، 2)) (encoder_conv1) encoder_conv2 = Conv2D (128 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_pool1) encoder_pool2 = MaxPooling2D ((2 ، 2)) (encoder_conv2) encoder_conv3 = Conv2D (256 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_pool2) encoder_pool3 = MaxPooling2D ((2 ، 2)) (encoder_conv3)</li>
			<li>بالنسبة لشبكة وحدة فك الترميز ، تأكد من أن وحدة فك الترميز تعتمد على الهيكل العظمي VGG16 مع التعديلات (كما هو مذكور أدناه). ملاحظة: decoder_conv1 = Conv2D (256 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_pool3) decoder_upsample1 = UpSampling2D ((2 ، 2)) (decoder_conv1) decoder_conv2 = Conv2D (128 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (decoder_upsample1) decoder_upsample2 = UpSampling2D ((2 ، 2)) (decoder_conv2) decoder_conv3 = Conv2D (64 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (decoder_upsample2) decoder_upsample3 = UpSampling2D ((2 ، 2)) (decoder_conv3) decoder_output = Conv2D (1 ، (1 ، 1) ، التنشيط = 'sinimoid '، الحشو = 'same') (decoder_upsample3)</li>
		</ol></li>
		<li>تعريف نموذج DEDN. نموذج = نموذج (المدخلات = encoder_input ، المخرجات = decoder_output).</li>
		<li>تجميع النموذج. model.compile (محسن = آدم ، خسارة = binary_crossentropy).</li>
		<li>حدد حلقة التدريب. ملاحظة: للتكرار في النطاق (N): # حدد عشوائيا مجموعة من الصور وخرائط الحقيقة الأرضية ؛ batch_X ، batch_Y = randomly_select_batch (X ، Y ، batch_size).<ol><li>تدريب النموذج على الدفعة. الخسارة = model.train_on_batch (batch_X ، batch_Y). طباعة الفقد للمراقبة.</li>
		</ol></li>
		<li>احفظ النموذج المدرب. model.save ('dedn_model.h5').</li>
	</ol></li>
	<li>الجمع بين.<ol><li>اجمع مخرجات شبكات DCL و DEDN وقم بتحسين خريطة البروز باستخدام نموذج حقل عشوائي شرطي متصل بالكامل (CRF).</li>
	</ol></li>
</ol>2. معالجة الصور
<ol><li>انقر فوق رمز التشغيل لإظهار واجهة المستخدم الرسومية (الشكل 4).</li>
	<li>انقر فوق فتح الصورة لتحديد المسار وبالتالي الصورة المراد اكتشافها.</li>
	<li>انقر فوق صورة العرض لعرض الصورة التي تم تحديدها للكشف.</li>
	<li>انقر فوق بدء الكشف لاكتشاف الصورة المحددة. ملاحظة: ستظهر نتيجة الكشف مع الصورة المكتشفة ، أي نتيجة الكائن البارز (الشكل 5).</li>
	<li>انقر فوق تحديد مسار الحفظ لحفظ نتائج صورة اكتشاف الكائن البارز.</li>
</ol>

دقة محسنة في اكتشاف الأجسام البارزة باستخدام الشبكات العصبية العميقة

<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>

ليس لدى المؤلفين ما يكشفون عنه.

يقدم المقال شبكة عصبية عميقة من طرف إلى طرف مصممة خصيصا للكشف عن الأشياء البارزة في البيئات المعقدة. تتكون الشبكة من مكونين مترابطين: شبكة تلافيفية كاملة متعددة المقاييس على مستوى البكسل (DCL) وشبكة فك تشفير عميقة (DEDN). تعمل هذه المكونات بشكل تآزري ، حيث تتضمن الدلالات السياقية لتوليد تباينات مرئية داخل خرائط المعالم متعددة المقاييس. بالإضافة إلى ذلك ، فإنها تستفيد من ميزات الصورة العميقة والضحلة لتحسين دقة ترسيم حدود الكائن. ويعزز تكامل نموذج الحقل العشوائي الشرطي المتصل بالكامل من الاتساق المكاني لخرائط البروز وترسيم...

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016a</td><td>توفر واجهة برمجة MATLAB أدوات تطوير لتحسين جودة الكود وقابلية الصيانة وزيادة الأداء. يوفر أدوات لبناء التطبيقات باستخدام واجهات رسومية مخصصة. يوفر أدوات للجمع بين الخوارزميات المستندة إلى MATLAB والتطبيقات واللغات الخارجية</td></tr><tr><td>Processor&nbsp;</td><td>معالج Intel</td><td>Gen 11th Intel(R) Core (TM) i5-1135G7 @ 2.40GHz</td><td>64-bit Win11</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>PyCharm 3.0</td><td>PyCharm عبارة عن Python IDE (بيئة تطوير متكاملة) قائمة ب python المطلوبة: modulesmatplotlib skimage torch os time pydensecrf opencv glob PIL torchvision numpy tkinter</td></tr><tr><td>PyTorch &nbsp;</td><td>فيسبوك</td><td>PyTorch 1.4&nbsp;</td><td>PyTorch هي مكتبة تعلم آلي مفتوحة المصدر من Python ، تعتمد على Torch ، وتستخدم لمعالجة اللغة الطبيعية والتطبيقات الأخرى. يمكن اعتبار PyTorch إضافة لدعم GPU numpy ، ولكن يمكن أيضا اعتباره شبكة عصبية عميقة قوية مع مشتقات تلقائية .</td></tr></tbody></table>

شبكة عصبية عميقة من طرف إلى طرف لاكتشاف الأجسام البارزة في البيئات المعقدة

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

برز اكتشاف الأجسام البارزة كمجال اهتمام مزدهر في مجال رؤية الكمبيوتر. ومع ذلك ، تظهر الخوارزميات السائدة دقة متناقصة عند تكليفها باكتشاف الأشياء البارزة داخل بيئات معقدة ومتعددة الأوجه. في ضوء هذا القلق الملح ، تقدم هذه المقالة شبكة عصبية عميقة من طرف إلى طرف تهدف إلى اكتشاف الأشياء البارزة داخل البيئات المعقدة. تقدم الدراسة شبكة عصبية عميقة من طرف إلى طرف تهدف إلى اكتشاف الأشياء البارزة داخل البيئات المعقدة. تتألف الشبكة المقترحة من مكونين مترابطين ، وهما شبكة تلافيفية كاملة متعددة المقاييس على مستوى البكسل وشبكة فك تشفير عميقة ، وتدمج دلالات سياقية لإنتاج تباين مرئي عبر خرائط المعالم متعددة المقاييس مع استخدام ميزات الصورة العميقة والضحلة لتحسين دقة تحديد حدود الكائن. ويعزز تكامل نموذج الحقل العشوائي الشرطي المتصل بالكامل من التماسك المكاني وتحديد الكنتور للخرائط البارزة. يتم تقييم الخوارزمية المقترحة على نطاق واسع مقابل 10 خوارزميات معاصرة في قواعد بيانات SOD و ECSSD. تظهر نتائج التقييم أن الخوارزمية المقترحة تتفوق على الأساليب الأخرى من حيث الدقة والدقة ، وبالتالي تثبت فعاليتها في اكتشاف الأشياء البارزة في البيئات المعقدة.

تقدم هذه الدراسة شبكة عصبية عميقة من طرف إلى طرف تتكون من شبكتين متكاملتين: شبكة تلافيفية كاملة متعددة المقاييس على مستوى البكسل وشبكة فك تشفير عميقة. تدمج الشبكة الأولى الدلالات السياقية لاشتقاق التناقضات البصرية من خرائط المعالم متعددة المقاييس ، ومعالجة التحدي المتمثل في الحقول المستقبلة الثابتة في الشبكات العصبية العميقة عبر طبقات مختلفة. تستخدم الشبكة الثانية ميزات الصورة العميقة والضحلة للتخفيف من مشكلة الحدود غير الواضحة في الكائنات المستهدفة. أخيرا ، يتم تطبيق نموذج حقل عشوائي شرطي متصل بالكامل (CRF) لتحسين التما...

ويصف هذا البروتوكول خوارزمية جديدة للكشف عن الأجسام البارزة من طرف إلى طرف. إنه يستفيد من الشبكات العصبية العميقة لتعزيز دقة اكتشاف الأشياء البارزة ضمن السياقات البيئية المعقدة.

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

تتراوح أبحاثنا من اكتشاف الأشياء البارزة ورؤية الكمبيوتر ومعالجة الصور والمزيد. نريد الاستجابة لتطبيق الكشف عن الأجسام البارزة مثل استخدامه في الشبكة الذكية لفحص العوازل. يتضمن التقدم البحثي التالي نقل خوارزميات الكائنات البارزة للتعلم في سياق الشبكات الذكية.يمكن للشبكات العصبية التلافيفية أن تعمل بشكل أكثر فعالية كمعلومات بارزة من الصور ، مما يعزز معالجة اكتشاف الأشياء البارزة. لذلك ، فإنهم يتقدمون في البحث في الكشف عن الأشياء البارزة. تعمل نتائج بحثنا على تحسين دقة اكتشاف الأجسام البارزة ، وتسمح بنقل الخوارزميات مثل تطبيقها في الشبكات الذكية لتقسيم العوازل واكتشافها بشكل فعال.

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

Research

JoVE Journal

Engineering

الهندسة

الغرض من هذا البروتوكول هو الاستفادة من الشبكات العصبية الملتوية المبنية مسبقًا لأتمتة تتبع السلوك وإجراء تحليل سلوكي مفصل. يمكن تطبيق تتبع السلوك على أي بيانات فيديو أو تسلسلات من الصور وقابلة للتعميم لتتبع أي كائن معرف من قبل المستخدم.

تنفيذ خطوة بخطوة من السلوك العميق ، أدوات التعلم العميق لتحليل السلوك الآلي

الهدف من العمل المعروض في هذه المقالة هو تطوير التكنولوجيا للاعتراف الآلي للمواد الغذائية والمشروبات من الصور التي التقطتها الأجهزة المحمولة. وتتألف هذه التكنولوجيا من نهجين مختلفين - الأول يؤدي التعرف على صورة الطعام في حين أن الثاني يقوم بتجزئة الصورة الغذائية.

الشبكات العصبية العميقة للتقييم الغذائي القائم على الصور

الهدف من هذه التجربة هو تحديد والتحكم في الحجم والشكل والاستقرار الذاتي تجميعها amphiphiles discotic في الماء. للبوليمرات مائي supramolecular القائمة على هذا المستوى من الرقابة هو في غاية الصعوبة. نحن نطبق استراتيجية باستخدام كل من التفاعلات مثير للاشمئزاز وجذابة. التقنيات التجريبية تطبق على تميز هذا النظام قابلة للتطبيق على نطاق واسع.

التحكم في الحجم والشكل والاستقرار من البوليمرات Supramolecular في الماء

نحن تصف استخدام ترسب نابض ليزر (الملعوبة)، ضوئيه وتقنيات أسلاك الربط، لخلق مقياس ميكرومتر أكاسيد مجمع الأجهزة. ويستخدم PLD أن ينمو الأغشية الرقيقة الفوقي. يتم إدخال تقنيات الطباعة التصويرية وأسلاك الربط، لخلق عملية الأجهزة لأغراض القياس.

تلفيق من أكاسيد مجمع المحصورة مكانيا

ونظرا لأهمية واسعة استخدام البلاديوم والذهب والكوبالت   المعادن في معدات تكنولوجيا الفائقة، وشفائهم وإعادة تدوير يشكل تحديا صناعيا هاما. نظام استرداد المعادن الموصوفة هنا هو ومنخفضة التكلفة بسيطة تعني لفعالية الكشف والإزالة، والتعافي من هذه المعادن من منجم في المناطق الحضرية.

كشف واستعادة البلاديوم والذهب والكوبالت المعادن من منجم الحضري عن طريق مجسات رواية / الممتزات مخصصة للمع النانو المسامات على شكل عجلة عربة

وقد تم وضع الماسح الضوئي لتصوير الجزيئات المغناطيسية في عينات مستو باستخدام تردد مستو خلط تقنية الكشف المغناطيسي. يتم تسجيل استجابة المنتج البيني المغناطيسية من مغنطة nonhysteretic غير الخطية من الجسيمات بناء على الإثارة التردد اثنين. ويمكن استخدامه لالتقاط صور 2D من العينات البيولوجية رقيقة.

تردد خلط الماسح الكشف المغناطيسي لتصوير الجزيئات المغناطيسية في عينات مستو

تقدم هذه الورقة جهاز المستندة إلى مقاومة للكشف عن معدل التبخر من الحلول. ويقدم مزايا واضحة على نهج فقدان الوزن التقليدي: الاستجابة السريعة، وكشف ذات حساسية عالية، وهو شرط عينة صغيرة، والقياسات عينة متعددة، وسهلة التفكيك لأغراض التنظيف وإعادة استخدامها.

ومنصة مقرها معاوقة عالية الأداء للكشف التبخر تقييم

هنا، نقدم إجراء لقياس مقاومة في وقت واحد، الريولوجيا وتشتت النيوترونات من مواد لينة المسألة تحت تدفق القص.

RheoSANS عازل - الاستجواب في وقت واحد من الممانعة، دراسة الخواص الانسيابية والصغيرة زاوية تشتت النيوترونات من السوائل مجمع

وهدف البروتوكول هو إنشاء أفلام البوليمر البلورية السائلة التي يمكن أن يتذبذب ميكانيكيا تحت إشعاع الضوء المستمر. يصف لنا بقدر كبير من التفصيل مفهوم الأفلام ذاتها، من الأسلوب الكريستال السائل المحاذاة للصور-يشتغل. البروتوكول التجريبي المطبق لإعداد هذه المواد قابل للتطبيق على نطاق واسع.

إعداد شبكات البلورات السائلة للحركة متذبذبة العيانية الناجم عن الضوء

تعرض هذه المقالة بروتوكول لبذر السكان الشحيحة للخلايا باستخدام ماصة-نصائح لأجهزة موائع جزيئية الحبرية من أجل توفير مستوى أعلى من الكفاءة تغليف الخلايا في قطرات.

ماصة-تلميح إلى أسلوب للخلايا البذر لمنصات موائع جزيئية الحبرية

اكتشف خوارزمية كشف الأجسام البارزة من طرف إلى طرف باستخدام الشبكات العصبية العميقة. تحسّن هذه الطريقة دقة الكشف في البيئات المعقدة وتطبيقات الشبكات الذكية.

شبكة عصبية عميقة من طرف إلى طرف لاكتشاف الأجسام البارزة في البيئات المعقدة

استكشف المزيد من الفيديوهات