deep learning

Sondando a fondo il profilo temporale: un rilevatore di piccoli target a infrarossi di gran lunga migliore

by

Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better

La rivelazione di piccoli target a infrarossi (IRST) è impegnativa nel raggiungere prestazioni precise, robuste ed efficienti simultaneamente a causa di target estremamente deboli e forti interferenze. Gli attuali metodi basati sull’apprendimento tentano di sfruttare “maggiori” informazioni sia dai domini spaziali che da quelli temporali a breve termine, ma soffrono di prestazioni inaffidabili in condizioni complesse, incorrendo al contempo in ridondanza computazionale. In questo articolo, esploriamo le informazioni “più essenziali” da un dominio più cruciale per la rivelazione. Attraverso l’analisi teorica, riveliamo che la salienza temporale globale e le informazioni di correlazione nel profilo temporale dimostrano una significativa superiorità nel distinguere i segnali target da altri segnali. Per verificare se tale superiorità è preferenzialmente sfruttata da reti ben addestrate, abbiamo costruito il primo strumento di attribuzione delle previsioni in questo campo e verificato l’importanza delle informazioni sul profilo temporale. Ispirati dalle suddette conclusioni, abbiamo rimodellato il compito di rilevamento IRST come un compito di rilevamento di anomalie del segnale unidimensionale e proponiamo un’efficiente rete di probing temporale profonda (DeepPro) che esegue calcoli solo nella dimensione temporale per il rilevamento IRST. Abbiamo condotto ampi esperimenti per convalidare pienamente l’efficacia del nostro metodo. I risultati sperimentali sono entusiasmanti, poiché il nostro DeepPro supera i metodi di rilevamento IRST all’avanguardia esistenti su benchmark ampiamente utilizzati con un’efficienza estremamente elevata e ottiene un miglioramento significativo su target deboli e in scenari complessi. Forniamo un nuovo dominio di modellazione, una nuova visione, un nuovo metodo e nuove prestazioni, che possono promuovere lo sviluppo della rilevazione IRST. I codici sono disponibili all’indirizzo https://github.com/TinaLRJ/DeepPro.

Paper: ArXiv.org

Utilizzo del deep learning guidato dalla fisica per superare la scarsità di dati

by

Superare la scarsità di dati con il deep learning guidato dalla fisica

Il deep learning (DL) ha rivoluzionato molti campi, ma dipende fortemente dai dati. La qualità e la quantità dei dati influenzano in modo significativo le prestazioni dei modelli di DL. Tuttavia, ottenere set di dati di alta qualità e ben annotati può essere difficile, se non impossibile, in molte applicazioni reali, come la stima del rischio strutturale e la diagnosi medica. Ciò rappresenta una barriera significativa all’implementazione pratica del DL in questi settori.

Il physics-guided deep learning (PGDL) è un nuovo approccio che integra le leggi della fisica per addestrare le reti neurali. Questo metodo può essere applicato a qualsiasi sistema governato da leggi fisiche, come la meccanica, la finanza e le applicazioni mediche. È stato dimostrato che, con l’integrazione delle leggi della fisica, il PGDL raggiunge una maggiore accuratezza e generalizzazione anche in presenza di scarsità di dati.

Questa recensione fornisce un’analisi dettagliata del PGDL e offre una panoramica strutturata del suo utilizzo per affrontare la scarsità di dati in vari campi, tra cui la fisica, l’ingegneria e le applicazioni mediche. La recensione identifica anche le attuali limitazioni e le opportunità del PGDL in relazione alla scarsità di dati, offrendo una discussione approfondita sulle prospettive future del PGDL. L’articolo evidenzia il potenziale del PGDL come strumento potente per superare le sfide poste dalla scarsità di dati, aprendo nuove strade per l’applicazione del deep learning in settori precedentemente inaccessibili.

Paper: ArXiv.org

Rilevamento del disturbo dello spettro autistico con le caratteristiche dei movimenti oculari profondi

by

Rilevamento del disturbo dello spettro autistico con le caratteristiche dei movimenti oculari profondi

Un nuovo studio pubblicato su arXiv (arXiv:2601.05812v1) presenta un approccio innovativo per il rilevamento del disturbo dello spettro autistico (ASD) basato sull’analisi dei movimenti oculari. L’ASD è caratterizzato da difficoltà nella comunicazione sociale e da schemi comportamentali ripetitivi. I dati dei movimenti oculari offrono uno strumento diagnostico non invasivo, in quanto riflettono le caratteristiche discrete e le dipendenze temporali a breve termine, permettendo di distinguere i modelli legati all’ASD dallo sviluppo tipico.

La ricerca ha sviluppato un modello di sequenza discreta a breve termine (DSTS) con rappresentazione consapevole della classe e meccanismi di consapevolezza dello squilibrio. Questo approccio è stato progettato per catturare in modo efficiente i modelli sottili e complessi dei movimenti oculari. I risultati sperimentali dimostrano che il DSTS supera le tecniche di apprendimento automatico tradizionali e i modelli di deep learning più sofisticati, evidenziando l’efficacia dell’analisi dei movimenti oculari per la diagnosi precoce dell’ASD.

Nonostante l’utilizzo diffuso di modelli basati su Transformer per catturare le dipendenze a lungo raggio, i ricercatori hanno scoperto che questi approcci offrono benefici limitati con i dati dei movimenti oculari. Questo potrebbe essere dovuto al fatto che i punti di fissazione discreti e le dipendenze a breve termine riducono l’utilità dei meccanismi di attenzione globale, rendendoli meno efficienti rispetto alle architetture focalizzate sui modelli temporali locali.

Paper: ArXiv.org

Ensemble di radiomica e ConvNeXt per la diagnosi del cancro al seno

by

Diagnosi del cancro al seno: l’approccio combinato di radiomica e deep learning

La diagnosi precoce del cancro al seno è fondamentale per migliorare i tassi di sopravvivenza. La radiomica e il deep learning (DL) hanno dimostrato un potenziale significativo nell’assistere i radiologi nell’individuazione precoce del cancro. Un nuovo studio, pubblicato su arXiv (2601.05373), valuta le prestazioni di radiomica, DL e tecniche di ensemble nella diagnosi del cancro da mammografie di screening.

Lo studio ha utilizzato due dataset indipendenti: la RSNA 2023 Breast Cancer Detection Challenge (11.913 pazienti) e una coorte messicana dal dataset TecSalud (19.400 pazienti). Il modello ConvNeXtV1-small DL è stato addestrato sul dataset RSNA e validato sul dataset TecSalud, mentre i modelli di radiomica sono stati sviluppati utilizzando il dataset TecSalud e validati con un approccio leave-one-year-out. L’approccio ensemble ha combinato e calibrato le previsioni utilizzando la stessa metodologia.

I risultati hanno dimostrato che l’approccio ensemble ha raggiunto l’area sotto la curva (AUC) più alta, pari a 0,87, rispetto a 0,83 per ConvNeXtV1-small e 0,80 per la radiomica. In conclusione, i metodi ensemble che combinano le previsioni di DL e radiomica migliorano significativamente la diagnosi del cancro al seno dalle mammografie.

Paper: ArXiv.org