Rede Neural do NIST Detecta Minúsculas Formas Geométricas em Imagens Densas com 97% de Precisão
Rede Neural do NIST Detecta Minúsculas Formas Geométricas em Imagens Densas com 97% de Precisão
Em esforços para capturar automaticamente dados importantes de artigos científicos, cientistas da computação do Instituto Nacional de Padrões e Tecnologia (NIST) desenvolveram um método para detectar com precisão pequenos objetos geométricos, como triângulos, dentro de gráficos densos e de baixa qualidade contidos em dados de imagem. Empregando uma abordagem de rede neural projetada para detectar padrões, o modelo do NIST tem muitas aplicações possíveis na vida moderna.
O modelo de rede neural do NIST capturou 97% dos objetos em um conjunto definido de imagens de teste, localizando os centros dos objetos a poucos pixels de locais selecionados manualmente. Os pesquisadores pegaram dados de artigos de periódicos datando do início dos anos 1900 em um banco de dados de propriedades metálicas no Centro de Pesquisa Termodinâmica (TRC) do NIST. Frequentemente, os resultados eram apresentados apenas em formato gráfico, às vezes desenhados à mão e degradados por digitalização ou fotocópia. Os pesquisadores queriam extrair as localizações dos pontos de dados para recuperar os dados brutos originais para análise adicional. Até agora, tais dados foram extraídos manualmente.
As imagens apresentam pontos de dados com uma variedade de marcadores diferentes, principalmente círculos, triângulos e quadrados, tanto preenchidos quanto abertos, de tamanho e clareza variados. Tais marcadores geométricos são frequentemente usados para rotular dados em um gráfico científico. Texto, números e outros símbolos, que podem falsamente parecer pontos de dados, foram removidos manualmente de um subconjunto das figuras com software de edição gráfica antes de treinar as redes neurais.
Detectar e localizar com precisão os marcadores de dados foi um desafio por várias razões. Os marcadores são inconsistentes em clareza e forma exata; podem ser abertos ou preenchidos e às vezes são borrados ou distorcidos. Alguns círculos aparecem extremamente circulares, por exemplo, enquanto outros não têm pixels suficientes para definir totalmente sua forma. Além disso, muitas imagens contêm manchas muito densas de círculos, quadrados e triângulos sobrepostos.
Os pesquisadores buscaram criar um modelo de rede que identificasse pontos de gráfico pelo menos tão precisamente quanto a detecção manual — dentro de 5 pixels da localização real em um gráfico do tamanho de vários milhares de pixels por lado.
Pesquisadores do NIST adotaram uma arquitetura de rede originalmente desenvolvida por pesquisadores alemães para analisar imagens biomédicas, chamada U-Net. Primeiro, as dimensões da imagem são contraídas para reduzir informação espacial, e então camadas de informação de característica e contexto são adicionadas para construir resultados precisos de alta resolução.
Para ajudar a treinar a rede a classificar formas de marcadores e localizar seus centros, os pesquisadores experimentaram quatro maneiras de marcar os dados de treinamento com máscaras, usando marcações de centro de diferentes tamanhos e contornos para cada objeto geométrico.
Os pesquisadores descobriram que adicionar mais informação às máscaras, como contornos mais grossos, aumentava a precisão da classificação de formas dos objetos, mas reduzia a precisão de localizar suas posições nos gráficos. No final, os pesquisadores combinaram os melhores aspectos de vários modelos para obter a melhor classificação e menores erros de localização. Alterar as máscaras acabou sendo a melhor maneira de melhorar o desempenho da rede, mais eficaz do que outras abordagens, como pequenas mudanças no final da rede.
O melhor desempenho da rede — uma precisão de 97% na localização de centros de objetos — foi possível apenas para um subconjunto de imagens em que pontos de gráfico eram originalmente representados por círculos, triângulos e quadrados muito claros. O desempenho é bom o suficiente para o TRC usar a rede neural para recuperar dados de gráficos em artigos de periódicos mais recentes.
Sensor
- CEVA Revela NeuPro-S: Processador IA Next-Gen para Inferência Deep Neural Network na Edge
- Acceed IGS‑9822DGP: Switch Gigabit de 12 Portas com 4 Portas SFP – Solução de Rede Industrial de Alto Desempenho
- Monetizando Dados de Redes Móveis Impulsiona Eficiência Operacional
- Como Redes Conectadas Estão Revolucionando a Agricultura Moderna
- Dominando Plataformas de Rede Digital: Roteiro de Maturidade Comprovado de Cinco Estágios
- Aumentar a Eficiência do Edge Computing com uma Rede Wi‑Fi Robusta
- 5 Estratégias Essenciais de Segurança de Rede para Pequenas Empresas
- Câmera Avançada de Imagem THz Revela Visualizações Internas de Alta Resolução de Objetos Sólidos
- Imageamento em Tempo Real Baseado em Rádio: Detecção de Objetos Ocultos e de Alta Velocidade à Distância
- Redes Neurais Aceleram Reconstrução de Imagem por Raios-X