文献

J-GLOBAL ID：202102238152562746   整理番号：21A0150765

高性能計算環境における脳マッピングのためのアクティブ学習パイプライン【JST・京大機械翻訳】

Active Learning Pipeline for Brain Mapping in a High Performance Computing Environment

著者 (13件)： Michaleas Adam (MIT Lincoln Laboratory,Lexington,MA,USA) ,  Gjesteby Lars A. (MIT Lincoln Laboratory,Lexington,MA,USA) ,  Snyder Michael (MIT Lincoln Laboratory,Lexington,MA,USA) ,  Chavez David (MIT Lincoln Laboratory,Lexington,MA,USA) ,  Ash Meagan (University of Florida,Gainesville,FL,USA) ,  Melton Matthew A. (University of Florida,Gainesville,FL,USA) ,  Lamb Damon G. (University of Florida,Gainesville,FL,USA) ,  Burke Sara N. (University of Florida,Gainesville,FL,USA) ,  Otto Kevin J. (University of Florida,Gainesville,FL,USA) ,  Kamentsky Lee (Massachusetts Institute of Technology,Cambridge,MA,USA) ,  Guan Webster (Massachusetts Institute of Technology,Cambridge,MA,USA) ,  Chung Kwanghun (Massachusetts Institute of Technology,Cambridge,MA,USA) ,  Brattain Laura J. (MIT Lincoln Laboratory,Lexington,MA,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： HPEC  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,高性能計算電力を利用する大規模脳マッピングのためのスケーラブルアクティブ学習パイプラインプロトタイプについて述べた。それは,人間レビューの後,反復機械学習モデル訓練のために,アルゴリズム結果の高スループット評価を可能にする。画像処理と機械学習をバッチ層で行った。pMATLABを用いた画像処理のベンチマークテストは,スループットの100x増加(10,000%)が達成され,一方,全処理時間はXeon-G6CPU上で9%だけ増加し,Xeon-E5CPU上で22%だけ増加し,ロバストなスケーラビリティを示した。画像とアルゴリズム結果は,インタラクティブレビューのためにブラウザベースのユーザインタフェイスに供給層を通して提供した。このパイプラインは,手動注釈負荷を大幅に削減し,機械学習ベースの脳マッピングの全体的性能を改善する可能性がある。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  加工時間 ,  電力 ,  画像処理 ,  スループット ,  ロバスト性 ,  ユーザインタフェイス ,  機械学習 ,  アノテーション ,  ブラウザ
準シソーラス用語： *能動学習 ,  高性能コンピューティング ,  ハイスループット ,  ベンチマークテスト , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 高性能計算 ,  環境 ,  脳マッピング ,  アクティブ学習 ,  パイプライン