Opis projektu
Głębokie sieci neuronowe w zastosowaniach bioobrazowania
Głębokie sieci neuronowe (ang. deep neural network, DNN) to modele obliczeniowe, w których wiele prostych jednostek przetwarzających pracuje równolegle w połączonych ze sobą warstwach. Sieć DNN wykonuje określone zadania, ucząc się i rozwijając mocne połączenia między jednostkami. Sieci DNN wykazują zdolność do poprawy jakości rekonstrukcji obrazu biomedycznego, jednak główny problem z ich stosowaniem sprowadza się do trudności w kontrolowaniu stałej Lipschitza w obecnych architekturach neuronowych. Oznacza to, że małe zaburzenie sygnału wejściowego może skutkować ogromnym odchyleniem sygnału wyjściowego, wpływając negatywnie na rekonstrukcję obrazu. Zespół finansowanego przez UE projektu FunLearn proponuje rozwiązanie tego problemu za pomocą znacznie płytszych sieci, które są łatwiejsze do kontrolowania. Podejście to opiera się na optymalizacji funkcjonalnej w celu poprawy architektury uczenia się oraz na opracowaniu określonych sieci neuronowych w celu rozwiązywania problemów związanych z obrazowaniem biomedycznym.
Cel
This research program is motivated by the remarkable ability of deep neural networks to improve the quality of biomedical image reconstruction. While the results reported so far are extremely encouraging, serious reservations have been voiced pertaining to the stability of these tools and the extent to which we can trust their output. The main concern is that it is very difficult to control the Lipschitz constant of the current neural architectures. This means that a small perturbation of the input can result in a huge deviation of the output, which can have devastating effects in the context of image reconstruction. We believe that the remedy lies in the use of much shallower networks, which are easier to control. However, a reduction in the number of layers will degrade the performance, unless we augment the sophistication of the primary modules; in particular, the nonlinear ones. By drawing on our career-long experience with splines, we therefore propose to rely on the powerful tools of functional optimization to improve learning architectures. This will allow us to develop two novel approaches to learning: sparse simplicial splines, and hierarchical spline networks—an extension of the popular deep ReLU neural networks In parallel, we shall develop specific neural networks to solve two outstanding problems in biomedical imaging: - A “best-of-both-worlds” approach to biomedical image reconstruction, involving the stable integration of state-of-the-art physics-based solvers with the new tools of machine learning; - The 3D reconstruction of the entire manifold of configurations of a biomolecule from a large collection of very low-dose cryo-electron tomograms. This goal, which may be viewed as the Graal of structural biology, has remained elusive so far and calls for an entirely new paradigm for single-particle analysis.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-ADG - Advanced GrantInstytucja przyjmująca
1015 Lausanne
Szwajcaria