评估多发射器定位神经网络的知识蒸,用于静态光学重建显微镜中的应用

科学领域:

• 量化生物科学 是一种生物科学.
• 显微镜的使用方法
• 计算机成像成像技术

背景情况:

• 超分辨率显微镜 (SRM) 可实现纳米尺度成像,但由于采集时间长且数据集大,因此受到影响.
• 增加发射器度会减少成像时间,但会导致发射器重叠,使单个发射器的隔离复杂化.
• 现有的统计和机器学习方法来解开重叠的发射器往往需要显著的用户专业知识或大量的计算资源.

研究的目的:

• 研究将知识从大容量模型 (DRL-STORM) 转移到较小模型 (SRCNN) 的可行性,以改善SRM中的多发射器本地化.
• 确定知识转移是否可以减少SRM数据分析的计算需求.
• 探索增强知识转移的方法,如提示学习.

主要方法:

• 利用一个更大的模型,深度残留静态光学重建显微镜 (DRL-STORM),作为知识传输的来源.
• 采用一个较小的模型,超分辨率卷积神经网络 (SRCNN),作为知识传输的目标.
• 调查暗示学习 (HL) 以促进更有意识地转移学习的表示.

主要成果:

• 从DRL-STORM向SRCNN直接转移知识并没有提高SRCNN的多发射器本地化性能.
• SRCNN显示了与DRL-STORM相比的中介图像表示学习能力有限.
• 提示学习并没有改善SRCNN在这个特定的知识转移任务中的表现.

结论:

• DRL-STORM和SRCNN之间的知识转移对于改善多发射器本地化没有成功.
• 替代模型或方法,可能涉及超参数优化,可能是必要的成功的知识蒸.
• 在典型的发射度下,SRCNN仍然是SRM数据分析的可行选择,并且适用于计算有限的环境.