에볼루션 바카라 Research의 최신 결과, Microfossil 평가 결과

연구원 Mison Kazuhide, Mison Kazuhide, 바카라 커뮤니티 ( "AIST"라고 함), Itaki Takuya, Itaki Takuya, Miyagawa Ayumi, 수석 수석 연구원 및 Katoa Hiroo의 연구 그룹 이사, Itaki Takuya, Itaki Takuya, Itaki Takuya, Articial Intelligence 연구원, Moka Hiroo, Artifical Intelligence Stured, Katoca Hiroo, 연구원 Mison Kazuhide 연구원 지층 내에 포함 된 미세 소석의 이미지에서 방사성 종의 분류

8488_8712Vision Transformer (VIT)라는 새로운 모델 구조 및 수학 공식에 의해 생성 된 기하학적 수치를 사용한 학습 방법 (공식 중심 감독 학습, FDSL)와 같은 신기술이 상대방으로 제안되고 있으며, 기술 개발이 진행되고 있으며 고정밀 이미지 인식을 달성하고 있습니다 그러나, 이러한 최신 발견은 미세 병원 분류와 같은 지질 에볼루션 바카라 분야에 완전히 반영되지 않았다

이 에볼루션 바카라에 따르면 이러한 새로운 기술은 미세 병원의 이미지 분류에 적용될 수 있으며 화석 종은 전문가와 가까운 평균 정확도로 분류 될 수 있습니다 이 결과는 대량의 이미지를 수집하는 것이 어려운 경우에도 고정밀 이미지 분류 모델을 구성 할 수 있음을 시사합니다 이는 지질 분야에서 어려운 과제였습니다

이 기술의 세부 사항은 2025 년 3 월 6 일 (영국 시간)에 제공 될 예정입니다과학 보고서"

Strata Analysis는 인간이 이전에 경험 한 적이없는 과거의 온난화 기록을 해독하고 형성에 존재하는 석유 및 유용한 금속을위한 자원을 탐색하는 데 중요한 역할을합니다 특히, 지층에 존재하는 플랑크톤과 같은 생명체의 유적인 미세 소석은 다양한 에볼루션 바카라 및 에볼루션 바카라에서 지층이 언제, 어떤 환경에서 형성되었는지에 대한 중요한 단서로 사용되어왔다 마이크로 포스 실은 유형과 인구를 분석하기 위해 현미경에서 상세한 모양을 관찰하므로 전문 지식, 기술 및 엄청난 시간과 노력이 필요합니다 따라서 기계 학습 기술 중 하나 인 이미지 분류를 사용하여 효율적인 관찰 기술이 개발되고 있습니다 일부 에볼루션 바카라 목적으로, 미세 병원의 분류에는 약 90%의 정확도가 필요합니다 그러나 지층에 거의 존재하지 않는 드문 종은 대량의 이미지를 수집 해야하는 도전이 있으며, 지금까지 개발 된 이미지 분류 모델의 정확도는 78%에 불과했습니다

지질 분야에서의 이미지 인식,Convolutional Neural Network (CNN)라는 구조가있는 모델 일반적으로 사용되었습니다 이러한 모델 중 다수는 인터넷에서 수집 한 공통 (동물, 건물, 차량 등)으로 구성된 데이터 세트에 의해 사용됩니다사전 학습완료되었습니다 반면, 컴퓨터 비전 연구 분야에서 Vision Transformer라는 모델의 구조가 제안되었으며, 이미지 분류를 포함한 다양한 작업에서 CNN 모델보다 정확도가 높은 것으로보고되었습니다 또한, 수학 공식을 사용하여 생성 된 기하학적 수치를 사용하여 FDSL (Formula-Driviven Supervised Learning)이라는 에볼루션 바카라ST에서 유래 한 기술과 같은 제한된 교육 데이터에서도 높은 정확도로 이미지를 분류하기 위해 기술이 개발되고 있습니다 이러한 최신 결과는 지질 연구 분야에 완전히 반영되지 않았습니다

에볼루션 바카라ST 지질 정보 연구 부서는 머신 러닝을 사용한 효율적인 마이크로 포스 실 관찰을위한 기술을 개발하기 위해 노력하고 있습니다 (실시간 바카라 사이트ST : 실시간 바카라 사이트 (인공 지능)를) 또한 에볼루션 바카라 연구 센터는 수학 공식을 사용하여 생성 된 기하학적 수치를 사용한 사전 학습 (FDSL)이 기계 학습 모델을 개선하는 데 효과적임을 보여주었습니다 (AIST : 많은 양의 실제 바카라 사이트지 데이터를 수집 할 필요가없는) 이 에볼루션 바카라에서 우리는 매우 정확한 미세 소석 평가 모델을 개발하려는 각 분야의 노력과 협력했습니다

이 에볼루션 바카라 중 일부는 과학 홍보를위한 일본 협회 (JSPS) 과학 기금 (23K13192, 24K00748)의 지원으로 수행되었습니다

이 에볼루션 바카라는 지질 에볼루션 바카라의 다양한 상황에서 사용 된 "Radirals"(그림 1)라는 미세 병상 이미지의 데이터 세트를 조사했습니다 이 데이터 세트는 32 개의 화석 종과 약 50,000 개의 이미지로 구성되며 종에 따라 수십 개의 이미지를 가질 수있는 불균형 데이터 세트입니다 이전 에볼루션 바카라^*에서, 실제 이미지를 사용하여 미리 훈련 된 CNN 모델을 사용하여 훈련을 수행했으며, 모든 종의 평균 분류 정확도는 782%라고보고되었다

따라서이 에볼루션 바카라에서는 실제 이미지 데이터 세트와 기하학적 그림으로 구성된 VIT를 사용하는 이미지 분류 모델에 대해 두 가지 유형의 데이터 세트 (exfractaldb-21k,RCDB-21K)에서 사전 학습을 사용하여 수행되었습니다 결과는 이러한 모든 새로운 기술을 사용하는 조건 하에서 화석 종은 전문가와 가까운 평균 86%로 분류 될 수 있음을 보여 주었다 각 기술 요소를 검토 할 때 VIT를 사용하는 모델은 CNN 모델 인 이전 에볼루션 바카라 결과에 비해 정확도가 높다는 것을 발견했습니다 (그림 2) 이에 비해 CNN은 이미지 텍스처에 초점을 맞추는 경향이있는 반면, VIT는 윤곽에 더 집중하는 경향이 있으며, VIT를 사용하는 모델은 윤곽선이 중요한 평가 기준 인 미세 병원을 분류하는 데 더 효과적 일 수 있습니다

또한, 동일한 VIT를 사용한 모델을 실제 이미지를 사용한 사전 여과 및 수학적 방정식을 사용한 기하학적 그림 (FDSL)을 사용한 사전 조정과 비교할 때 5 번의 시험 사이의 변이를 고려할 때 결과가 일반적으로 일관성이 있음을 발견했습니다 그러나 각각의 평균 값을 비교할 때 기하학적 수치로 사전에 사는 모델은 가장 높은 정확도를 보여 주므로 기하학적 수치를 사용한 사전 여지가 미래의 미세 병원 이미지의 자동 분류에서 초점을 맞추어야하는 기술로 간주됩니다 이 에볼루션 바카라에서, 미세 병원의 형태를 고려하지 않고 사전 학습이 수행되지만, 미래에는 마이크로 포스 실과 유사한 사전 학습 모양에 초점을 맞추면 분류 모델을 더욱 향상시킬 수 있습니다

또한, VIT를 사용하여 기하학적 수치로 전망 된 모델에 대한 각 화석 종의 이미지 수와 분류 정확도 사이의 관계를 검토 할 때,이 연구에서 가장 정확한 정확도를 보여 주면서도 상대적으로 작은 이미지를 수집 할 수있는 종들조차도 상대적으로 작은 이미지를 수집 할 수 있음이 밝혀졌습니다 (그림 3) 이것은 유형에 따라 많은 양의 이미지를 수집하기 어려운 지질 학적 문제에 대한 효과적인 솔루션으로 간주됩니다 이 연구의 모든 결과는 기계 학습 분야에 제안 된 새로운 기술을 사전에 통합하면 지질학 분야에서 에볼루션 바카라 모델을보다 효과적으로 사용할 수 있음을 시사합니다

이제 수학 공식을 사용하여 기하학적 수치를 생성하는보다 자세한 방법을 고려하여 화석 종이 더 작은 데이터 세트에서도 높은 정확도로 분류 할 수 있습니다 또한,이 에볼루션 바카라에서 논의 된 기술은 미세 병원 외에 화산재, 미네랄 및 꽃가루와 같은 다양한 입자의 식별에 적용될 수 있으며, 이는 지질 분야에서 이미지 인식에 더 높은 정확도를 초래할 수있다

^*Itaki Takuya (2024) 인공 지능을 사용한 자동 미세 병원 분류 및 선택 시스템화석, 115, 33-42.

게시 된 잡지 :과학 보고서
종이 제목 : 프랙탈 미리 훈련 된 시력 변압기에서 미세 화석 방사형 분류
저자 : Kazuhide Mimura, Takuya Itaki, Hirakata Kataoka, Ayumu Miyakawa
doi : 101038/s41598-025-90988-z

Vision Transformer (VIT)

2020 년에 제안 된 이미지 인식 모델의 새로운 네트워크 구조[참조로 돌아 가기]

공식 중심 감독 학습 (FDSL)

수학 공식에 의해 생성 된 기하학적 수치를 사용한 사전 학습 기술 교사 데이터 수집의 거대한 번거 로움을 제거하는 것 외에도 프라이버시 침해 및 부적절한 라벨링과 같은 원칙적으로 윤리적 문제가 발생하지 않는다는 이점이 있습니다
참조 :AIST : 많은 양의 실제 바카라 사이트지 데이터를 수집 할 필요가없는 [참조로 돌아 가기]

Convolutional Neural Network (CNN)

이미지 인식을 수행하는 딥 러닝 모델에서 오랫동안 사용 된 네트워크 이미지의 로컬 정보에 중점을 두어 기능을 추출하는 경향이있는 것으로 알려져 있습니다[참조로 돌아 가기]

사전 학습

주어진 목적을 위해 특수화 된 모델을 훈련시키기 전에 대형 데이터 세트를 사용하여 일반 목적 머신 러닝 모델을 구성하려면 (이 에볼루션 바카라에서, 마이크로 로제의 분류) 이 작업은 비교적 작은 데이터 세트에서도 학습을 진행할 수있는 것으로 알려져 있습니다[참조로 돌아 가기]

exfractaldb-21k, rcdb-21k

FDSL에 사용 된 기하학적 그림으로 구성된 이미지 데이터 세트 차이점은 exfractaldb-21k가 프랙탈 형상을 기반으로 한 이미지로 구성되는 반면, RCDB-21K는 윤곽 모양에 따른 이미지로 구성된다는 것입니다[참조로 돌아 가기]