就在今天，Google团队宣布对人工神经网络有了一个新的突破！
Google公司在《NatureMethod》杂志发表的论文《利用Flood-Fill算法进行的高精度自动重建神经元》中展示了一种专门为分析连接组学打造的递归神经网络系统。
使用Flood-Filling网络进行三维图像分割
科研人员使用了一种边缘检测算法，能够识别神经突（神经元的分支）和递归卷积神经网络（递归神经网络的子类别）的边缘，并且集合且提亮扫描图中的像素描绘神经元。
在这基础上，为了控制准确性，Google科研人员提出了“预期运转周期”（ERL）的概念：在大脑的3D图像中给定一个随机的神经元，在跟踪出错前，能够对其追踪多长距离？而对于生物学家来说，ERL的数值与生物学上的数量存在相关性，比如神经系统中不同部分的神经元的平均路径长度。
采用ERL方法（蓝色线）的结果表现最好，红色线表示“合并率”，即两个独立的神经元被错误地当成一个目标进行跟踪的频率。将合并率保持在一个很低的水平，对于研究人员辨别并改正其他错误具有很重要的意义。
其实，Google不是第一个把人工智能应用到连接组学的团队。就在今年3月份，英特尔与麻省理工学院的计算机科学和人工智能实验室合作，开发了“下一代”大脑图像处理流水线。但是Google表示，他们的模型的准确度比以前的模型”提高了10倍。
报告中指出，利用ERL方法测量万立方微米的斑胸草雀大脑扫描图像中的神经元真实数据集，新方法比以往使用同样数据集的其他深度学习途径的表现要好。
这是Google提出的算法在斑胸草雀脑中追踪单个神经突的过程。金球代表使用以前的方法自动识别的突触位置。
谷歌研究员、论文主要作者维伦·贾恩（VirenJain）和米查尔·詹纳斯泽维斯基（MichalJanuszewski）表示：“这些自动化的结果结合少量的额外人力可以帮助解决剩余的错误，而马克斯普朗克研究所的研究人员现在可以研究鸣禽大脑的连接组，以获得斑胸草雀如何鸣唱的新洞见，并测试它们如何学习鸣唱的理论。”
人工神经网络一直是人工智能领域的研究热点。近十年来，随着该领域的研究不断深入研究已经取得了巨大的发展，并很好地应用于模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域，成功地解决了许多现代计算机难以解决的实际问题。但由于大脑图像中的结构相当复杂、精细，数据的自动解读一直是技术发展的瓶颈。
就在今年的GoogleI/O大会上，GoogleCEO皮查伊就提出一个主题——人工智能的全面升级，这表明了Google将继续大力发展人工智能领域。如今Google团队也的确对人工智能技术的瓶颈有了新的突破，这将提高人工神经网络的工作效率，使结果更加精准，拓宽了应用范围。
另外，为了帮助更大的社区推进与该技术的相关研究，Tensorflow代码现已开源，谷歌还公布了他们开发的面向3D数据集的WebGL可视化软件，用于理解和改进该研究结果。未来，研究人员也将继续完善相关系统，实现突触解决过程中的自动化。
-End-
编辑/Eillita
本文章图片来源于网络
想要了解更多人工智能资讯、行业动态，欢迎
