Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Publisher Correction: CLEAR-IT, a framework for contrastive learning to capture the immune composition of tumor microenvironments.

Communications biology·2026
Same author

CLEAR-IT, a framework for contrastive learning to capture the immune composition of tumor microenvironments.

Communications biology·2026
Same author

Closed-loop optogenetic control of cell biology enables outcome-driven microscopy.

Nature communications·2025
Same author

A pilot study into the use of phosphorescent sand in glass transfer studies.

Forensic science international·2024
Same author

Unveiling the limits of precision in iterative MINFLUX.

Journal of microscopy·2024
Same author

Site-Specific Integration of Hexagonal Boron Nitride Quantum Emitters on 2D DNA Origami Nanopores.

Nano letters·2024

相关实验视频

Updated: Jan 8, 2026

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

1.4K

通过深度学习减少法医微痕迹识别中的手工劳动.

Gerben Rijpkema1, Dylan Kalisvaart1, Serafim Korovin1

  • 1Delft Center for Systems and Control, Delft University of Technology, Delft, The Netherlands.

Forensic science international
|December 23, 2025
PubMed
概括
此摘要是机器生成的。

深度学习模型自动化了法医微痕分析,大大减少了手动数据注释的需要. 预训练策略提高了纤维,毛发和其他痕迹证据的识别精度.

关键词:
由人工智能驱动的自动化自动化显微镜自动化显微镜深度学习是一种深度学习.法医微痕分析分析法医微痕分析图像识别 图像识别 图像识别预培训策略 预培训策略

更多相关视频

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

2.4K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

10.5K

相关实验视频

Last Updated: Jan 8, 2026

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

1.4K
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

2.4K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

10.5K

科学领域:

  • 法医科学 法医科学 法医科学
  • 计算机视觉 计算机视觉
  • 机器学习 机器学习

背景情况:

  • 对法医微痕的微观分析是耗时和劳动密集的.
  • 需要自动化方法来协助法医专家进行痕迹识别和分类.

研究的目的:

  • 在法医调查中开发和评估用于自动化微痕迹识别的深度学习模型.
  • 调查预训练策略,以尽量减少这些模型所需的数据注释工作负载.

主要方法:

  • 利用深度学习对提带样本进行像素分类,以定位和分类微痕迹 (纤维,毛发,皮肤,玻璃,沙子).
  • 对比了各种预训练策略:ImageNet预训练,自我监督学习预训练,以及两者的顺序组合.
  • 基于预测准确度和减少手动注释工作的评估模型性能.

主要成果:

  • 与从头开始训练相比,预训练模型减少了对注释数据的需求两倍,同时保持了预测准确性.
  • 结合ImageNet和自我监督的预训练,获得了最高的准确性,实现了手动注释的四倍减少.
  • 由于预训练,工会上的平均交点从0.34提高到0.56,显示出更好的识别和本地化.

结论:

  • 深度学习模型,特别是在使用联合预训练策略时,为法医微轨迹扫描的自动化分析提供了坚实的基础.
  • 这些自动化方法可以通过减少手动注释工作量,显著提高法医调查的效率和准确性.