图2:根据检测分析切割精度
图3:切削精度的定量分析
为了更好地评估FFN-c的功能，我们将两种最先进的替代方法应用于斑胸草雀数据集，并对切割功能进行了量化。第一种("")方法结合三维卷积神经网络，通过网格搜索优化相关图形域的参数，并用随机森林分类器对符号数据进行聚类。第二种方法是利用分水岭算法切割三维卷积神经网络的间隙猜测。
通过这些途径，最高的ERL (112微米；图3)，比FFN差一个数量级。
神经突起类型错误
我们的工艺将骨骼中的轴突碎片分类为轴突或树突，并记录了182个树突棘的基部和头部的位置。然后，我们使用这些数据来测量具有不同神经突类型的FFN-c段的故障率。我们观察到主动重建在识别树突棘方面优于人类注释(差异为95%和91%)。虽然两组准确率接近100%，但激活的结果略高(主动重建分别为99.7%和100%，手动重建树突和轴突分别为98%和99%)。主动重建组的树突和轴突率不如人工标注组(主动过程分别为68%和48%，人工生成数据分别为89%和85%)
其他物种和成像方法
FIB-25是果蝇视神经叶的公共数据集，已用于888nm集中离子束扫描EM成像后的标准切割。同样作为常用的切口标准，是小鼠体感皮层的数据集。FFNs已经应用到坚持测试集，实现了“超越人类”的体现。
相关阅读
版权声明：内容来源于互联网和用户投稿 如有侵权请联系删除
标签： #热门事件网络推手做的ppt