Что такое dpi в фотографии, 300 dpi – мифы и реальность

Встречаются неоднозначные ситуации, когда заказчики фотографий выставляют авторам требования по качеству изображений в виде «…не менее 300 dpi» (число 300 не обязательно, но фигурирует часто). Начинающие (иногда, опытные) фотографы начинают паниковать, сомневаться в соответствии работ указанным требованиям. У профессионалов съемки подобные условия, не сопровождающиеся уточнениями других параметров, вызывают предсказуемую реакцию – от легкой улыбки до сомнений в компетентности заказчика.

Что такое dpi

Показатель dpi (от англ. dots per inch – точек на дюйм) определяет разрешение изображения, имеющего линейные размеры (подчеркнутое критически важно!). Фактически, такое требование (например, обеспечить не менее 200 dpi) означает, что на дюйм фотографии, если речь идет о растровых (пикселизованных) изображениях, по горизонтали или вертикали должно приходиться не менее 200 точек (пикселей).

Почему dpi не всегда имеет смысл

На первый взгляд, в требованиях к величине dpi фотографии нет ничего странного – заказчик всемерно заботится о качестве полученных материалов. Но при детальном рассмотрении понятий и определений, анализе условий, запросы в большинстве случаев становятся бессмысленными.

1. Сегодня фотограф хранит работы в виде файлов на цифровых носителях. В этом случае у оцифрованной фотографии нет линейных размеров (длины, ширины) ни в дюймах, ни в сантиметрах, ни в других единицах. Вместо них картинка характеризуется абсолютным количеством пикселей по горизонтали/вертикали. Соответственно, говорить о разрешении в точках на дюйм – некорректно.

   Действительно, если фото в файле содержит 3 000 точек по горизонтали, 2 000 по вертикали, сказать о разрешении можно, только разделив это количество точек на длину соответствующей стороны в дюймах/сантиметрах (когда в задании указано одно число, оперирует меньшим значением из полученных).

   Но в файле на цифровом носителе нет и не может быть информации о таких размерах. Соответственно, делить количество точек, чтобы рассчитать пресловутое dpi фото, просто не на что. Налицо явная бессмыслица! Ситуация изменится в момент подготовки к выводу на печать, после получения твердой копии фото.

2. В фотографии далеко не всегда используются растровые изображения. Более того, большинство опытных фотографов и практически все профессионалы предпочитают вносить коррекции (например, делать ретушь) в графических пакетах, работающих с векторной графикой (например, Corel Draw, Adobe Illustrator). Графика при таком подходе масштабируется, редактируется практически без потери качества. При этом изменяется формат хранения цифровых изображений – они представляются в виде математических описаний элементарных объектов (отрезков прямых, частей кривых). В таком файле не идет речь ни о длине/ширине снимка, ни о количестве пикселей.

   К сведению! Качество фотографии как растрового изображения (если не принимать во внимание искусство фотографа, свойства объектива и аппаратуры) определяется только количеством пикселей в полученной матрице, а не разрешением в точках на дюйм.

3. Требования нередко оказываются неоправданно завышенными. Считается, что человеческий глаз не различает более 300 точек на дюйм (отсюда 300 dpi). Утверждение справедливо для качественной полиграфии или снимка, которые рассматривают с расстояния до 0.5-0.6 м. Для книжной страницы, выполненной по технологии офсетной печати, показатель снижается до 120–150 пикселей на дюйм. На гигантских рекламных билбордах, видимых с расстояний в десятки метров, достаточным для обеспечения качества оказывается разрешение в 5–20 точек на дюйм.

Что в реальности

Разрешением для цифрового файла растрового изображения считается именно количество пикселей по каждой из сторон. Фотограф, сделавший снимок, может сказать только о полном растре фотографии, например в 3000х2000 точек.

Именно такую информацию принимают, отображают все графические пакеты обработки. Примером может служить 2 аналогичных фото в Фотошопе.

Обе имеют разрешение 600х900 пикселей, выглядят в цифровом формате абсолютно одинаково. Это несмотря на то что одна подготовлена для печати при 900 dpi (1.69х2.54 см), а вторая – 1 (1524х2286 см). Иллюстрируют они еще один факт – при обработке цифрового снимка изменить (увеличить или уменьшить) показатель не составляет труда – численное значение зависит исключительно от заданных для печати параметров картинки.

На заметку! Есть другой, даже более распространенный вариант описания разрешения для фотографии. Он включает 2 параметра: общее число пикселей изображения, соотношение сторон кадра. Так, 6 Мп (6 000 000 пикселей) при соотношении сторон 3:2 дают 3000х2000 точек.

Когда имеет смысл говорить о dpi

Разрешение в dpi приобретает смысл только тогда, когда фотография получает линейные размеры, т. е. при ее печати. В этом случае становятся известными фактические длины сторон (в сантиметрах или дюймах).

Для снимка 3000х2000 пикселей 15х10 см (почти 6х4 дюйма, 1 дюйм=2.54 см) оно составит около 500 dpi.

В случае когда известны требуемые линейные размеры итоговой картинки, разрешение в dpi для печати фотографий действительно оказывается важным. Параметр отображает четкость фотографии, качество границ и мелких деталей. Чем он больше, тем выше качество изображения в целом.

Фотографу при общении с грамотным

заказчиком, чаще всего приходится решать обратную задачу – достаточно ли разрешения камеры для обеспечения качества печати фотографии заданного размера. Например, если поступает заказ на снимок, который будет распечатан в формате 10х15 см с разрешением 300 dpi (соотношение рассматривалось выше), потребуется камера, дающая матрицу 2000х3000 пикселей или 6 Мп. При этом действительно разбирающийся в деталях заказчик не забудет указать оба параметра – размеры при печати и разрешение.

Такой подход позволяет автору фотографии и его заказчику решить любую из двух задач:

1. Определить, какой размер получит при печати конкретная (с известным реальным растром в пикселях) фотография при заданном числовом значении dpi.
2. Узнать минимально необходимое разрешение съемки по известным размерам фотографии при печати и заданному dpi картинки.

Имеет практическую ценность для издателей и третий вариант задачи, когда по растру фотографии и реальному размеру печатного изображения рассчитывается dpi, который должен быть обеспечен полиграфическим оборудованием для качественной печати.

Таким образом, показатель dpi относится к фотографии только при выводе изображений на печать, когда изображение получает линейные размеры на физическом носителе (листе бумаги, странице журнала или книги, рекламном плакате). В остальных случаях, работая с картинкой в виде цифрового файла, фотограф оперирует другими характеристиками для снимков. Требуемое разрешение определяется растром фото, заданными при подготовке для печати длиной и шириной картинки.

Электрические камины в интерьере 100 фотографий

Камин в доме — это элемент уюта, красоты и гармонии. Горящее среди поленьев пламя добавляет оригинальность в интерьер и создает неизменную атмосферу отдыха и спокойствия.

Приятный вечер у камина с семьей, друзьями или наедине с собой позволяет забыть об окружающей суете, отдохнуть и расслабиться. 

Современные технологии дают возможность наслаждаться прелестью пылающего очага в доме, забыв о сопутствующих установке камина трудностях. 

На фото: интерьер с камином в квартире, камин под ТВ в гостиной

Камин в интерьере квартиры

На фото: проект 2019 года. В интерьере небольшой гостиной использовали электрокамин Ignite XLF74

На фото: проект 2018 года. В интерьере использовали электрокамин Ignite XLF74

На фото: проект 2019 года. В интерьере использовали электрокамин Prism BLF3451

На фото: проект 2017 года. В интерьере использовали электрокамин Juneau с белым порталом

На фото: проект 2017 года. В интерьере использовали электрокамин Juneau

На фото: проект 2017 года. В интерьере использовали электрокамин Juneau с коричневым порталом

На фото: 2017 года. В интерьере использовали электрокамин Danville Chrome FB2

На фото: проект 2018 года. В интерьере спальни использовали электрокамин Cassette 1000 PS без дров

На фото: проект 2017 года. В интерьере использовали электрокамин Cassette 400 NH

На фото: проект 2019 года. В интерьере использовали электрокамин Cassette 500 с дровами

На фото: проект 2019 года. В интерьере использовали электрокамин Ignite XLF100

На фото: проект 2019 года. В интерьере использовали электрокамин Ignite XLF100 и стиль contemporary

Камин в загородном доме

На фото: проект 2017 года. В интерьере использовали электрокамин Cassette 1000 с дровами

На фото: проект 2017 года. В интерьере использовали электрокамин Redway

На фото: проект 2017 года. В интерьере использовали электрокамин Cavendish

На фото: проект 2019 года. В интерьере использовали электрокамин Cassette 1000 PS без дров

На фото: проект 2018 года. В интерьере использовали электрокамин Cassette 1000 с дровами

На фото: проект 2018 года. В интерьере использовали электрокамин Burbank

На фото: проект 2019 года. В интерьере использовали электрокамин Ignite XLF100 с ванной

На фото: проект 2018 года. В интерьере использовали электрокамин Cassette 500 с дровами

Современные камины: очаги и порталы

Приобретение обычного дровяного камина связано с рядом сложностей при установке и строгих правил при эксплуатации. В интерьере городской квартиры это и вовсе представляется невозможным из-за необходимости монтажа дымохода. 

Однако сегодня, с появлением электрических моделей каминов, все сложные моменты отпадают сами собой. 

Электрический камин работает по принципу имитации настоящего пламени. Здесь могут использоваться различные технологии:  

• Проекция яркой подсветки на стеклянный экран
• Развевающиеся полоски ткани
• Изображение огня на жидкокристаллическом мониторе
• Использование подсвеченного пара

В популярной технологии Opti-Myst используется встроенный ультразвуковой парогенератор, который дает холодный пар. Подсвечиваясь галогенными лампами и светодиодами, он создает достоверную имитацию «живого» пламени. Этот способ пользуется особым спросом из-за того, что огонь в очаге очень реалистичен и не отличается от настоящего. 

В наиболее современной технологии Revillusion специальный зеркальный экран «Semi-Transparent MiragePanelTM» заменяет традиционное зеркало, что позволяет многократно усилить эффект огня с помощью визуальной глубины и светодиодной подсветки. Также здесь применяется новая технология имитации формы пламени, что позволяет создать максимально реалистичный эффект огня, который отлично смотрится в домашнем интерьере.

На фото: безопасное для квартиры пламя электрического очага

Электрические камины удобны в эксплуатации, просты в монтаже (нужно только подключить его в розетку), безопасны, экономичны (не нужно постоянно тратиться на топливо — лишь залить воду в бак). А также существует большое количество способов установки (что позволит приобрести их даже для небольшой квартиры) и множество вариантов дизайна на любой вкус. Можно приобрести модель с обогревом и звуковыми эффектами треска дров, чтобы создать полноценное ощущение настоящего камина. 

На фото: дизайн интерьера в квартирах с камином

В условиях городской квартиры, как и для частного дома, выбор электрического очага станет самым практичным и оптимальным вариантом. 

Электрокамины различаются по способу установки и материалу, из которого изготавливается портал. 

Виды электроочагов по способу установки

Многообразие моделей позволяет учесть любые предпочтения и условия размещения электрического очага.  

Пристенные

Данные модели каминов имеют классический вариант установки, располагаются около стены и обрамляются порталом. Они имеют традиционный дизайн и могут быть выполнены из дерева, камня, кирпича или керамики. Разнообразие стилей (классический, хай-тек, прованс и другие) позволит подобрать портал, который будет гармонично смотреться в любом интерьере (даже в квартире небольших размеров или с нестандартной планировкой). Наиболее выгодно такой камин будет выглядеть в просторной гостиной. 

Пристенный камин не требует сложного монтажа — его устанавливают около стены и подключают к розетке. Простота установки и дальнейшей эксплуатации также делает этот вид камина популярным.

На фото: пристенные очаги в интерьере квартиры

Угловые

Такие камины располагаются в углу комнаты и не требуют сложного монтажа — достаточно лишь закрепить его у стены для устойчивости. Они также представлены в различных стилях, могут быть выполнены из камня, дерева или керамики, украшены декоративными элементами. 

Угловые порталы одинаково хорошо будут смотреться в интерьере любой квартиры: как в большой гостиной, так и в маленькой спальне. Занимая угол, камин позволяет экономить пространство помещения. Каминную полку можно украсить различными статуэтками, фотографиями, свечами, вазами и прочим декором, дополняя композицию. Тлеющие поленья создадут настроение покоя, а функция обогрева позволит согреться около камина в зимнее время.

На фото: дизайн с электрическими очагами в квартире с угловым видом

Настенные

Этот вид камина представляет собой технологичную панель, внутри которой происходит имитация огня за прочным стеклом. Панель вешают на стену на специальные крепежи. Этот вид также не доставляет проблем при установке и эксплуатации.

Настенные камины бывают разных размеров, их можно устанавливать на разной высоте, дополняя интерьер горящим очагом.  

На фото: настенный электрокамин в интерьере

Встраиваемые

Этот электрокамин отличается от предыдущих моделей тем, что его можно встраивать как в портал, так и в стену. 

Монтаж очага в стену сложнее, так как потребует подготовки ниши и установки. Лучше всего доверить этот процесс профессионалам, однако, можно действовать и самостоятельно. 

Встраиваемая модель подойдет для любых помещений и позволит сэкономить полезное пространство комнаты. Электрический камин будет хорошо смотреться как в классически обустроенной квартире, так и в минималистичном интерьере или стиле хай-тек, благодаря сдержанному дизайну портала. Часто над такими каминами размещают плоский телевизор, что позволяет проводить по-настоящему приятные вечера за просмотром любимого фильма перед мерцающим пламенем. 

На фото: встраиваемые электрические камины в интерьере

Для любителей минимализма или современного стиля хай-тек лучшим вариантом будут встроенные в стенную нишу электрические камины.

На фото: встраиваемые камины в загородном доме

Кассетные

Данный вариант камина также имеет встраиваемый тип установки, но его можно интегрировать в различные предметы (столы, тумбы, пол и т.д.). 

Открытая конструкция таких каминов позволяет наслаждаться видом пляшущих языков пламени. Особенность таких моделей заключается в том, что из них можно выстроить линию любой длины, из нескольких составных элементов. 

На фото: кассетные камины электрические в интерьере

Отдельностоящие

Этот тип камина отличается мобильностью и возможностью при желании перемещать его в любую точку помещения. Его можно расположить около кровати или среди мебели и создать пылающий очаг посреди комнаты. Также с помощью данной модели можно зонировать комнату. 

Камин, как правило, имеет форму открытой чаши, которая выполнена в виде кованой решетки, в которой располагаются угли. В некоторых моделях электрокаминов есть возможность раскладывать поленницу по собственному желанию, а встроенные в дрова светодиоды создают полноценный эффект мерцающих углей и горящих поленьев. 

На фото: отдельностоящий камин в доме

Отдельностоящий или встроенный в стол очаг позволит привнести в интерьер изюминку и создаст по-настоящему интересный дизайн комнаты. 

На фото: отдельностоящие камины в интерьере

Дизайн и стиль портала 

Помимо многообразия типов установки, электрический камин также можно подобрать индивидуально под конкретные предпочтения. Для этого следует продумать место расположения в квартире, вид очага и стиль портала. 

По материалу портала камины могут быть сделаны из дерева, пластика, камня или кирпича. 

Для классических интерьеров подойдет традиционный деревянный камин светлого или темного цвета. Его можно украсить дополнительным декором или лепниной.   

На фото: дизайн интерьера с классическим камином

Более пышный вариант декора подойдет для стиля прованс. Портал, стилизованный под ореховое дерево, мягкая мебель вокруг и цветы в горшках создадут изящную композицию. 

На фото: электрический камин в стиле прованс

Если есть желание придать уникальность интерьеру, можно выбрать электрокамин с угловым порталом, оформленный под мрамор или слоновую кость с античным декором или стилизацией под старину. На каминной полке можно расположить композиции из соответствующих украшений. Такой элегантный элемент интерьера станет центральным в комнате. 

На фото: интерьер квартиры с электрическим камином в портале

Выбирая стиль шале для интерьера квартиры, можно установить угловой или пристенный камин в обрамлении из камня. Натуральность материалов и пляшущий огонь создадут ощущение близости к природе. 

На фото: электрический камин в интерьере гостиной в стиле шале

Камин в интерьере квартиры

Электрический камин для городской квартиры может быть не только красивым элементом декора, но и вполне функциональным приобретением. Многие модели электроочагов способны быстро обогреть помещение до 20 м2. Для этого в каминах реализована функция обогрева. Модели, работающие на воде, могут увлажнять воздух в помещении, и это тоже можно отнести к практичному функционалу электроочагов. Камин подойдет для помещений любого назначения – холл, гостиная, кабинет, столовая, детская или даже балкон. Выбор модели будет зависеть не только от дизайна помещения, но и от их габаритов.

На фото: электрические очаги в гостиной, кабинете и столовой

Камин для маленьких квартир и маленьких комнат

Для небольших по размеру помещений лучше обратить внимание на компактные модели электрокаминов. Это могут быть небольшие электропечки, выполнение в старинном английском стиле. Они стилизованы под чугунные модели с дверцей. Интересным решением станут отдельностоящие очаги. Например, очаг Silverton, который не требует дополнительного обрамления и поможет создать уникальный уголок с ярко пылающим камином даже в самой маленькой комнате. Очаги Volterra и Cellini, благодаря своему необычному дизайну, станут центром притяжения всех гостей и обитателей квартиры. Их компактные размеры позволяют устанавливать их в любом помещении.

На фото: угловой камин, очаг Silverton и электропечь Numan в маленьких квартирах

Не стоит забывать и об угловых моделях каминов. Их установка позволяет значительно экономить пространство в комнате, при этом визуально камин не кажется маленьким. На каминной полке можно разместить предметы интерьера, книги, фотографии, то есть использовать камин как дополнительное функциональное пространство.

Камины для больших квартир и больших комнат

Выбор каминов для просторных помещений значительно шире. Можно подобрать модель не только исходя из ее габаритных размеров. Широкие очаги, кассетные модели, классические камины, настенные или встраиваемые варианты – все зависит только от личных предпочтений и дизайна комнаты.

На фото: кассетный очаг, широкий очаг, настенный очаг в больших квартирах

При выборе камина для больших комнат стоит учесть, что компактные модели могут затеряться в пространстве и стать незаметными, поэтому, если все же хочется приобрести небольшую по размеру модель, то лучше стилизовать под нее обособленную зону в жилом пространстве, возможно, отличающуюся по дизайну от всего помещения. В этом случае можно обратиться к стилю арт-нуво.

Камин в загородном доме

Камин в загородном доме может быть не только дровяным, но и, что более практично и не менее стильно, электрическим. Чаще всего в загородных домах пространство позволяет выбирать любую по размерам модель каминов. Можно приобрести уже готовый каминокомплект с порталом и очагом, подобрать их по отдельности, а можно выбрать только очаг и самим заказать или сделать уникальное обрамление.

На фото: очаг Cassette, каминокомплект и настенный очаг в загородном доме

Некоторые модели электроочагов подходят для установки в уже существующий дровяной камин. Это очень удобно, если не хочется топить камин, особенно в жаркое время года. Для этого подойдет очаг Silverton или Revillusion. Они выглядят как настоящие дровяные колосники с тлеющими поленьями.

На фото: очаг Revillusion, очаги Silverton в загородных домах

Если комната выполнена в современном дизайне, можно установить настенный очаг или встраиваемую модель камина. Необычно будет смотреться кассетный очаг, встроенный в стол в центре комнаты или в стенную нишу. Единая линия открытого огня будет выглядеть необычайно стильно в просторном помещении.

На фото: очаг Cassette в центре комнаты, настенный и встраиваемые очаги в загородных домах

Для классического дома или помещения в стиле шале подойдут модели в деревянных или каменных порталах. Для комнат в стиле антик можно подобрать камины с порталами, украшенными античными колоннами и резными барельефами.

Современные камины: очаги и порталы

Современные камины могут быть установлены в любой комнате.

Кухня

Чаще всего зона кухни в городских квартирах представляет собой достаточно ограниченное пространство. Поэтому при выборе камина стоит обратить внимание на более компактные модели или очаги, которые не занимают много полезного пространства. Для кухни в современном стиле подойдет настенный очаг, он крепится на стену при помощи специальных кронштейнов. Обрамление выполнено из прочного пластика, а огонь в очаге смотрится как настоящий. Если кухня в классическом стиле – подойдет классический угловой камин. Он не займет много места и будет выглядеть как настоящий дровяной камин.

На фото: угловой камин, настенные камины на кухне

Гостиная

Гостиная обычно является самой большой комнатой в квартире. Если хочется сделать основной акцент на камине, то лучше приобрести большой камин или же расположить его в центре комнаты. Можно использовать камин для зонирования, например, визуально разделить пространство гостиной и кухни, так как часто это одно пространство, особенно, в квартирах-студиях. Для этого можно встроить в гипсокартонную стену кассетный очаг, таким образом пламя будет видно и на кухне, и в гостиной. Для размещения в центре помещения лучшим вариантом тоже станет кассетный очаг. Для установки у стены можно выбрать любой камин, в зависимости от стиля гостиной.

На фото: большой камин в центре комнаты

Спальня

Спальня – место для отдыха, поэтому камин станет прекрасным дополнением интерьера. Если спальня просторная, можно организовать отдельную каминную зону с камином и кушеткой или креслами напротив очага. Для небольшой комнаты подойдет настенный или встраиваемый камин. Лучше разместить очаг напротив изголовья кровати, чтобы можно было любоваться пламенем лежа в кровати. Для любителей фотографий и антиквариата в квартире лучше выбрать камин с порталом.

На фото: электрические очаги в спальне

Мансарда

Жилая зона чердака тоже может быть интересно оформлена при помощи электрокамина. Если мансарда сделана с использованием обилия дерева и натуральных фактур, установите камин в стиле шале. Это может быть очаг в деревянном или каменном портале. Для современной мансарды интересным решением станет кассетный очаг, он разобьет пространство на зоны, если это необходимо, или станет ярким акцентом интерьера. Можно даже не использовать портал, а придумать необычное обрамление самим.

На фото: электрические очаги на мансарде

Балкон

С тех пор, как на балконах перестали хранить ненужные вещи, он стал частью жилого пространства во многих городских квартирах. На балконе часто организуют уютное место для отдыха, и камин там будет очень кстати. Так как пространство балкона или лоджии не очень большое – лучше приобрести небольшой по размеру очаг. На балкон прекрасно встанет компактная печка или отдельно стоящий очаг. Если площадь позволяет, можно установить настенный камин. Интересным решение станет кассетный очаг на подоконнике.

На фото: электрокамины на балконе

Детская

Кажется, что детская и камин несовместимы из соображений безопасности. Но это не относится к электрокаминам. Они совершенно неопасны для детей и животных, поэтому можно смело устанавливать электрокамин в детской комнате. Исходить следует из дизайна, а также из тех соображений, что камин не должен стать главным акцентом. Поэтому можно просто оформить небольшую уютную зону отдыха с компактным очагом- печкой. Хорошим решением станет настенная модель или встраиваемый камин.

На фото: электрический камин в детских зонах

Прихожая

Прихожая – первое, что мы видим, входя в квартиру. Поэтому ярко горящий очаг в зоне прихожей – это актуальное и неизбитое дизайнерское решение. Выбирайте небольшие очаги. Это может быть настенный камин, который подойдет для помещения в современном стиле, или встраиваемый очаг рядом с зеркалом. Пристенный вариант камина можно поставить в просторном помещении. Интересным ходом станет установка очага в стол напротив входа в квартиру.

На фото: электрокамины в прихожей

Ванная

Что может быть лучше, чем нежиться в ванне и наблюдать за игрой пламени в очаге. В этом сможет помочь электрокамин. Конечно, в малогабаритной ванной комнате установить камин вряд ли удастся. Но если размеры помещения позволяют, то фантазии по установке камина практически безграничны. Самым популярным решением будет инсталляция кассетного очага с открытым пламенем. Его можно разместить в стенную нишу или же в подиум, который можно надстроить над полом. Стилизованный очаг из колосника с дровами – неординарное решение, которое не останется незамеченным гостями. Пристенные и настенные камины тоже актуальны для установки в просторных ванных.

На фото: электрокамин в ванной

Дизайн и стиль портала

Вариантов дизайна и стилевых решений порталов великое множество. Самыми актуальными на сегодняшний день являются несколько видов:

• хай-тек;

• классика;

• шале;

• минимализм;

• модерн;

• восток.

Стиль портала зависит от нескольких факторов: из какого материала он изготовлен, наличие или отсутствие декора, стиль декора, цветовые решения. Классический стиль характеризуется обилием декора на фронтальной поверхности, чаще всего по бокам имеются колонны, иногда используется анималистический барельеф. Хай-тек и минимализм отличаются полным отсутствием декора, линии портала прямые, при изготовлении используется пластик или дерево. Портал в стиле шале выполнен из камня и дерева. В моделях восточного стиля используется стилизованный орнамент и цветовые решения. Модерн отличается функциональностью и лаконичностью – сюда можно отнести мультимедийные порталы из пластика и стекла.

На фото: камин классический, в стиле хай-тек и в стиле шале

Каменные камины

Камины в портале из камня можно отнести как к классическому стилю, так и к стилю шале. Все зависит от камня и его фактуры. Сочетание камня и дерева в одной модели – это стиль шале, который подойдет для загородных домов в стиле кантри. Каменные камины могут отличаться цветовым решением – в этом случае необходимо подобрать цвет портала с учетом использования основных цветов в интерьере.

На фото: электрические камины в каменном оформлении

Камень может быть натуральным или искусственным. Стоимость натурального каменного портала будет значительно выше и его установка намного сложнее. Однако стоит учесть, что искусственный камень, используемый при изготовлении современных порталов, визуально ничем не отличается от натурального, поэтому, даже при небольшом бюджете, можно приобрести стильный камин в каменном портале, который будет выглядеть как самый настоящий камин.

На фото: электрический камин в портале из натурального камня и камины в мраморной облицовке

Каменный портал может быть как пристенным, так и угловым. Для небольших помещений угловой камин станет отличным решением, так как он не забирает много полезного пространства, а смотрится не меньше обычной пристенной модели. Камнем может быть облицован не только портал, но и вся стена, рядом с которой он установлен.

На фото: угловые каменные электрокамины

В каменный портал, в зависимости от модели, можно установить классический очаг с задней стенкой, а можно очаг кассетного типа. В последнем варианте в портале зона очага выложена покрытием, стилизованным под настоящий кирпич, что делает сходство с настоящим дровяным камином максимальным. Очаг можно выбрать с остеклением или с пламенем в открытом доступе. Оба варианта смотрятся эффектно и стильно. Также можно выбрать очаг с функцией обогрева.

На фото: очаг Cassette в каменном портале, очаг Cavendish в каменном портале, очаг Cassette с остеклением в каменной облицовке камина

Широкий размерный ряд каменных порталов позволяет подобрать нужную модель для любого помещения. Узкие, широкие, высокие и низкие – для столовой, мансарды, спальни, прихожей. Ниши для очага тоже различаются по размерам, поэтому необходимо подбирать очаг к порталу не только по стилистике, но и по габаритам. Для камина в каменном портале не лишним будет подобать каминные аксессуары, которые прекрасно дополнят каминный ансамбль. Защитный экран завершить стилизацию зоны отдыха с камином.

Камины, обшитые деревом или деревянные камины

Деревянные камины – это деревянный портал с очагом. Мы можем отнести их к классическому стилю. Но есть еще и современные дизайнерские решения в духе хай-тек и минимализма, когда применяется обшивка деревом не только портала, но и всей зоны вокруг очага. В данном случае часто используются деревянные панели для обшивки стены, в которую встроен очаг. Использование натуральных материалов и фактур позволяет нам установить единение с природой в обычной городской квартире. При использовании деревянной обшивки наличие декора не приветствуется. Максимальная простота и лаконичность в дизайне – вот к чему стремится человек, использующий такой прием в интерьере.

На фото: дизайнерские решения из дерева около электрических каминов

Обшивка стены возможна и при установке каменного портала. Камень и дерево прекрасно сочетаются друг с другом и не перегрузят интерьер. При установке перегородок с камином часто используется обшивка гипсокартонной стены деревом. Перегородка облицовывается панелями с обеих сторон, и очаг тоже виден из двух зон одновременно.

На фото: камень и дерево как дизайнерское решение гостиной с камином

Деревянный камин в классическом стиле подойдет не только для загородного дома, как это было раньше, до появления электрокаминов, но и для городской квартиры. Деревянный портал может быть в стиле минимализма или кантри. Цвета портала тоже могут отличаться. На классических порталах часто используют технику патинирования, чтобы искусственно состарить камин. Использование орнамента на фронтальной поверхности портала делает камин похожим на старинные камины в замках. Часто на деревянный портал устанавливают каменную столешницу, что делает камин аутентичным.

Многообразие стилей, цветовых решений и вариантов установки позволят разместить камин в любом помещении и интерьере. Электрокамин гарантирует практичность, безопасность и удобство использования. А реалистичное пламя и обогрев создадут уютную обстановку и обеспечат комфортный отдых и множество приятных вечеров.  

Иконки для веб-дизайна — предназначение и правила использования

Грамотно расставленные акценты на сайте помогают дизайнерам и маркетологам завладеть вниманием пользователя и направить их на целевые действия: покупку, связь с менеджерами или просто понимание предоставленной информации. Одним из таких инструментов являются иконки — изображения, которые используют для обозначения какой-либо информации. В этой статье мы расскажем о значении иконок в веб-дизайне на конкретных примерах, как правильно выбрать и использовать их на сайте.

Зачем дизайнеры используют иконки

Даже самые маленькие детали на сайте имеют значение для дизайна. Иконки — это не только экономия места на экране, но и установление связи с клиентом. Использование иконок упрощает восприятие информации, ведь привычные образы вызывают ассоциации с определенными действиями. Рассмотрим пример использования иконок для обозначения преимуществ магазина мебели:

Если мы уберем сопутствующие изображения, скорость восприятия меняется:

С иконками достаточно окинуть взглядом экран, чтобы понять, о чем идет речь и что нам хочет предложить компания. Грузовик традиционно обозначает доставку, а иконка документа — сертифицированную продукцию. Во втором примере нужно вчитываться в текст, чтобы понять смысл. Это происходит потому, что человек мыслит образами. Пользователь связывает картинки с ассоциациями, которые они вызывают, и тем самым воспринимает информацию.

Еще одна функция иконок — помощь пользователю сориентироваться в интерфейсе. Есть несколько универсальных символов, которые используются в дизайне для направления пользователя, например:

• значок лупы означает поиск информации;
• иконка дома ведет на главную страницу;
• картинка сердца или звезды — избранное;
• нажав на изображение флага можно поменять язык на странице;
• силуэт человека в шапке сайта ведет в личный кабинет;
• иконка тележки означает добавление товара в корзину или переход на страницу оформления заказа.

Такие изображения добавляют на сайты интернет-магазинов для облегчения покупки:

С помощью иконок клиент не теряется на новом ресурсе и понимает, какие действия он может сделать.

Как с помощью иконок повысить конверсию сайта

Как любой контент на сайте иконки требуют продуманного подхода. При правильном использовании изображения могут стать еще одним инструментом повышения конверсии и управлением поведением покупателей. Что можно сделать для стимулирования продаж?

1.

Привлечь внимание к преимуществам компании

Посещая сайты мы привыкли «прокручивать» страницы. Иконки помогают пользователю обратить внимание на важную информацию и задержаться взглядом на особенностях компании и персональных предложениях. Например, на бесплатной доставке или прилагаемых к заказу подарках.

Информация о работе магазина, условиях оплаты и доставки формирует доверие у клиента и убеждают сделать выбор в пользу этого магазина, а не его конкурента.

2. Расскажите, как сделать заказ или как работает компания

Чтобы новые клиенты знали по какому алгоритму работает магазин или оказываются услуги, расскажите об этом с помощью иконок:

Так вы сэкономите место на сайте и клиенту не нужно будет читать полотна текста, чтобы понять как сделать заказ.

3. Расскажите о товаре с помощью изображений

В карточки товаров можно добавлять не только текстовые описания, но и изображения для обозначения характеристик или дополнительных параметров. Как сделать идеальную карточку читайте здесь.

4. Выделяйте акции и специальные предложения, а также нужные категории товаров

Чтобы посетитель сайта обратил внимание на акцию или нужный раздел, добавляйте иконки. Например, с помощью красных изображений, список акций становится намного заметнее:

Также с помощью иконок и различных плашек можно выделять нужные категории товаров, популярную продукцию, товары со скидками, новинки и прочее.

Какие иконки используют в дизайне

Использование самых разнообразных иконок, отличных по размеру, стилю, цвету и расположению является распространенным приемом среди дизайнеров. Обычно мы встречаем иконки на главном экране под большим слайдером, на страницах «услуги» или «контакты», в шапке сайта. Из-за такого разнообразия возникает вопрос: какие иконки лучше использовать для дизайна? Рассмотрим виды иконок и постараемся ответить на этот вопрос.

Линейные

Это иконки, которые состоят из линий или контуров. Строгие и минималистичные изображения используются как для навигации, так и в информационных блоках. Линии могут быть тонкими или толстыми, иногда изображения заливают однотонным цветом. Одна из особенностей применения таких картинок — необходимость создать условия, чтобы они не потерялись на странице среди окружающего контента.

Линейные иконки сочетаются как со строгим деловым стилем, так и придают дизайну сайта изящность и лаконичность.

Иллюстрации

Вместо тонких линий и ясных контуров используют специальные цветные рисунки. Такие картинки придают сайту красочности, бросаются в глаза при просмотре страницы.

Иллюстрации разрабатываются дизайнерами в стилистике сайта, рисуются специально для каждого проекта. Иконки такого стиля способны оживить дизайн, придать «свежести» и индивидуальности. Небольшие иллюстрации можно смело использовать как самостоятельные элементы, они будут заметны среди основного контента. Еще больше примеров использования иллюстрированных изображений можно посмотреть в нашем блоге.

Объемные

Некоторые веб-дизайнеры отходят от трендов «плоского» и минималистичного дизайна и используют вместо иконок самостоятельные изображения. Это могут быть вырезки из фотографий продукта или тематических картинок.

Такой подход следует использовать с осторожностью, чтобы не перегружать дизайн сайта лишними изображениями и отвлекать клиента от целевых действий. Если использовать объемные иконки, остальные элементы не должны быть нарисованными и мешать стилевому единообразию сайта.

Простые элементы

В некоторых случаях на сайт размещают не картинки, а простые геометрические фигуры или цифры, чтобы не загромождать дизайн элементами. В этом примере дизайнеры решили оформить самые распространенные вопросы клиентов пунктами:

А здесь вместо картинок использовали простой элемент галочку:

Такие иконки не отвлекают внимание пользователя от основной информации, но и не «цепляют» взгляд.

Шрифтовые иконки

Это особый вид иконок, который подключается к сайту как шрифт, у которого вместо символов векторные изображения. Плюс таких иконок — возможность изменять цвет, тени, размеры и другие свойства CSS. Пример данного вида — шрифт FontAwesome.

Иконки встраиваются в HTML код как обычный класс с именем «fa» с помощью тегов <i> или <span>. Пример использования:

<i class=«fa address-book»></i>

Где «address-book» — название иконки-книжки. Изображения удобно использовать для обозначения мелких элементов, например, на странице «контакты», в формах или в меню.

Примеры использования иконок в веб-дизайне

Мы разобрались, как иконки различаются по стилистике и методам внедрения. Теперь рассмотрим деление элементов по назначению на реальных примерах.

Иконки для навигации

Как уже говорилось выше, иконки нужны для облегчения ориентирования пользователя на веб-странице. Особенно важно данное назначение иконок в интернет-магазинах и сайтах компаний, где главным целевым действием является оформить заявку или совершить покупку.

С помощью иконок пользователь всегда знает как перейти к формам заказа, в личный кабинет, к поиску или просмотру понравившихся товаров.

Информационные иконки

Иногда иконки используются, чтобы о чем-то рассказать клиенту: о продукции, компании или предоставить полезную информацию.

Такой контент прост для восприятия и побуждает пользователя воспользоваться услугами компании или купить предложенный товар. К этому пункту также можно отнести информацию о принципах компании, интересных фактах о товарах и прочее.

Социальные доказательства

Клиентам важно, что кто-то покупает товары магазина, обращается за предлагаемыми услугами. Это заставляет их верить, что продукция качественная и пользуется спросом. Через иконки можно донести до посетителей сайта информацию о количестве купленных товаров, опыте работы компании и прочее:

Исследования агентства Wider Funnel показывают, что размещение на веб-сайтах элементов социального доказательства повышает продажи в 9 из 10 случаев. Поэтому такой прием можно считать инструментом увеличения конверсии интернет-магазинов и продающих сайтов.

Призыв к действию

Иконки встраивают в контент, который приводит пользователя к целевым действиям на сайте:

В этом примере рассказывается об этапах работы, которые отмечены порядковыми номерами и небольшими иконками для привлечения внимания и структурирования информации. У первого действия расположена кнопка с призывом оставить заявку на сайте.

Разделы каталогов

Чтобы разделить одну категорию товаров от другого и вызвать ассоциации с определенным продуктом, иконки используют в оформлении разделов каталога:

Таким образом каталог не превращается в простой список товаров, каждая категория выделяется из общего перечня продуктов.

Социальные кнопки

Продвижение в социальных сетях — одно из маркетинговых направлений многих компаний. Чтобы магазин часто мелькал в лентах пользователей и напоминал клиентам об акциях, на сайте размещают значки социальных сетей с ссылками на группы и страницы:

Эти иконки узнаваемы, поэтому на них обращают внимание и присоединяются к группам и сообществам, через которые можно призывать клиентов к новым покупкам.

Фильтры

Иконки можно использовать в фильтрах для товаров. Узнаваемые изображения помогут клиентам сориентироваться в каталоге и выбрать нужный продукт или услугу:

Например, в интернет-магазине кофе сделали фильтр по способу приготовления и добавили иконок, чтобы клиент мог понять незнакомые термины и выбрать нужный товар.

Применение иконок в веб-дизайне помогает клиентам воспринимать информацию и привлекает внимание к важным моментам на сайте. Рассмотрим основные правила использования иконок, чтобы дизайн веб-страницы выглядел гармонично и был удобным для посетителей.

5 советов по созданию дизайна иконок

Создавая иконки для клиентов, дизайнеру важно не только учитывать ее назначение, но и соответствие изображений общему стилю веб-сайта и окружающему контенту. Как правильно использовать иконки в дизайне продающего сайта?

1. Иконки должны быть узнаваемыми и ассоциироваться с окружающим текстом

Основное предназначение иконки — облегчить пользователю восприятие текста. Выполняет ли изображение свою функцию зависит прежде всего от того, насколько понятно посетителю, какой объект или действие эта картинка обозначает.

Например, если вы собираетесь обозначить доставку товара земным шаром, будут ли ассоциироваться перевозки с планетой? Этот значок подойдет для клиентов, находящихся далеко от офиса компании, но что, если ваш пользователь проживает в вашем городе? Поэтому при создании иконок нужно думать в первую очередь о целевой аудитории.

Тот же самый вопрос связан с возрастом ваших клиентов. К примеру, вы обозначаете написание комментария печатной машинкой — если основными посетителями являются школьники, узнают ли они данный символ? Клиент не должен думать о значении картинки, смысл должен быть понятен с первого взгляда.

2. Дополняйте иконку текстом

Само по себе изображение несет в себе только декоративную функцию. Чтобы придать значку смысл, рассказывайте о том, что она обозначает.

3. Дизайн иконок должен быть похож между собой

Если вы используете несколько иконок одновременно, они должны быть согласованы друг с другом, чтобы не получилось так:

Иконки должны создавать стиль, а не нарушать его. В данном примере мы видим три «нарисованных» изображения и одно строгое и лаконичное. Оно выбивается из общего ряда и нарушает согласованность интерфейса.

4. Прозрачный фон облегчает восприятие

Использование прозрачного фона увеличивает скорость восприятия. Цветной фон создает визуальный шум, из-за которого иконки кажутся одинаковыми. Сравните:

При просмотре иконок с синим фоном вместо мгновенного понимания, что нарисовано на картинке, приходится всматриваться и различать образы. Это схоже с чтением текста, где тоже приходится напрягать зрение и понимать смысл. Поэтому использование непрозрачного фона облегчает визуальное восприятие и легче интерпретируются посетителями страниц.

5. Используйте векторную графику, если это возможно

Применение векторной графики в веб-дизайне значительно упрощает работу дизайнеру — не теряет в качестве после изменения размеров, можно с легкостью поменять цвет и другие параметры, а также эффектно использовать анимацию. Больше о векторе в вебе можно узнать в этой статье.

В студии дизайна IDBI веб-дизайнеры уделяют особое внимание деталям — самостоятельно отрисовывают иконки, кнопки, формы, создавая индивидуальный стиль для компаний и интернет-магазинов. Обращайтесь к нам и мы разработаем для вас уникальный ресурс, где будут гармонично сочетаться основной контент и декоративные элементы.

Прямые и линейные кухни в интерьере: 53 фото идей дизайна

Расположение мебели на кухне — первое, на что стоит ориентироваться в ее планировке. Так, например, прямая планировка считается классикой, она подойдет и для маленьких, и для больших пространств. В этой статье рассмотрим плюсы и минусы такого дизайна, дадим советы по расстановке техники и покажем фото линейных кухонь: реальные примеры и схемы планировки.  

Все о линейном гарнитуре

Преимущества и недостатки
Обустройство рабочего пространства
Расстановка мебели
Организация хранения
Выбор освещения
Определение цвета

Прямое расположение шкафов подходит для помещений разных размеров. Для маленькой комнаты расстановка кухонной мебели в ряд поможет разместить технику компактно, чтобы больше места осталось для обеденной зоны. В большой комнате тумбы вдоль одной стены располагают, чтобы кухня смотрелась менее громоздко. Отсутствие угловой секции делает гарнитур дешевле. Его проще спроектировать или собрать из готовых модулей. При расстановке мебели в ряд отсутствуют стыки на столешнице, что тоже является существенным плюсом.

7

---

фото

Instagram @decorapow

Instagram @howdensjoinery

Instagram @nichanthony

Instagram @townandcountrykitchenandbath

Instagram @luxorta

Instagram @lipova_evgeniya

Instagram @luxorta

Тем не менее линейная кухня имеет ряд недостатков. Из-за отсутствия классического рабочего треугольника страдает эргономика помещения. При одновременном размещении холодильника, плиты и раковины оптимальная длина гарнитура составляет 2,5-3 метра. Если она более четырех метров, то хозяйке придется тратить больше времени на перемещение между мойкой, плитой и холодильником. Если же шкафов мало, то для рабочей поверхности почти не остается места, и приходится жертвовать полноразмерной техникой. 

Instagram @susy_cheff

Instagram @huge.studio

Instagram @mir_vokrug_kuhni

Instagram @howdensjoinery

• Кухня

  Это стильно: 8 кухонь, где скомбинировали два напольных покрытия

При планировании мебели в ряд отталкивайтесь от расположения коммуникаций. Посмотрите на схемы линейных кухонь (вид сверху) и примерьте их на свое помещение. 

Планировка из проекта Оксаны Савчук

Планировка из проекта Анны Важениной

Планировка из проекта Анны Новопольцевой

Старайтесь холодильник разместить у стены, чтобы не прерывать рабочую поверхность высокой тумбой. Рядом с ним оставьте место на столешнице для продуктов, которые вы будете загружать или выгружать в камеру.

Оптимальный вариант расположения мойки — посередине гарнитура. Между ней и холодильником нужно оставить расстояние минимум 30 см. Не размещайте мойку близко к глухой стене, так есть риск удариться локтем при мытье посуды. 

Варочная поверхность также должна располагаться на расстоянии от мойки и холодильного устройства. Аргументов для такого расположения два: безопасность от ожогов при готовке и правильная эксплуатация холодильника, он может выйти из строя, если рядом будет расположен нагревательный элемент. Важно оставить пустое место на столешнице, не менее 40 см, а для комфортного приготовления пищи — не менее 80 см. Боковые стены стоит защитить фартуком, особенно если варочная поверхность или мойка расположены близко к ним.

7

---

фото

Дизайн: Оксана Савчук. Фото: Евгений Гнесин

Instagram @3ddesign.spb

Instagram @zakawaka

Instagram @anna_azaeva

Instagram @yaremenko.aa

Instagram @imperia_poryadka

Unsplash

• Законы и финансы

  Нормы размещения бытовой техники и мебели на кухне: подробный гид в цифрах

Дополнением кухонного гарнитура может стать барная стойка, обеденный стол и даже диван, зависит от площади и конфигурации помещения. 

Если пространство позволяет, поставьте полноценный стол. Ничто не заменит удобную обеденную группу. В узкой комнате для перекусов можно обустроить барную стойку, установив ее напротив кухонного гарнитура. Обязательно следите за тем, чтобы проход между мебелью и кухонными тумбами оставался не менее метра. 

Если зона готовки совмещена с гостиной, можно установить сразу несколько дополнительных элементов: барную стойку для завтраков у окна, диван в гостиной зоне и обеденный стол там же, для уютных вечеров в кругу семьи.  

Instagram @luxorta

Instagram @3ddesign.spb

Instagram @3ddesign.spb

Instagram @design_project__

Pexels

• Кухня

  8 кухонь с отдельно стоящей плитой, которые выглядят стильно (не обязательно встраивать)

Лучшим решением для линейного гарнитура будет добавление верхнего ряда шкафов. Такой прием позволит разместить все необходимое даже вдоль короткой стены. Чтобы сделать их менее громоздкими, выбирайте цвет фасадов в тон настенного покрытия. 

Instagram @noasantos

Instagram @design_project__

Instagram @_mebelito_

Для хранения в нижнем ряду шкафов старайтесь выбирать ящики вместо полок. В ящиках удобнее организовать размещение кухонных принадлежностей, они позволяют задействовать каждый свободный сантиметр пространства. Глубину тумбы делайте не менее 60 см. Если места для хранения все равно не хватает — оформите выдвижные ящики в цоколе. В них можно хранить крышки от кастрюль и сковородок или бутылки.

Instagram @_ktchn_

Instagram @_ktchn_

• Системы хранения

  6 мест хранения на кухне, о которых вы могли не знать

При проектировании кухонного пространства важно продумать освещение комнаты. Даже в дневное время света со стороны оконного проема может быть недостаточно, особенно если длина комнаты больше трех метров. Важно организовать подсветку под верхним рядом шкафов. Иначе на противоположных сторонах рабочей зоны будет темно, и приготовление пищи будет вызывать дискомфорт. 

Instagram @cnrcraftremodeling

Instagram @3ddesign. spb

На фото линейных кухонь в современном стиле видно, что чаще всего дизайнеры используют идею точечного освещения на потолке. Это позволяет равномерно осветить все пространство рабочей области. Не забудьте про зону обеденного стола. Если стол расположен далеко от центра комнаты, то предусмотрите дополнительные светильники. Например, подвесную люстру на потолке или торшер рядом со столом.

Pexels

Instagram @huge.studio

Instagram @e.sukhareva.design

Чтобы прямое расположение кухонных тумб смотрелось менее громоздко, подберите цвет фасадов в тон отделки. Таким образом вы сможете растворить в интерьере гарнитур и разгрузить пространство.

Instagram @luxorta

Instagram @lavandainterior

Instagram @zoltyfotel

Избегайте ярких, кричащих цветов, если вы располагаете мебель вдоль короткой стены. Иначе комната будет казаться меньше. Но если помещение просторное, то темные, глубокие цвета наоборот придадут глубину и объем комнате. 

Instagram @ulyssessuites

Instagram @design_project__

Instagram @delsolemebel

Instagram @delsolemebel

Не стоит использовать слишком много цветов. Двух оттенков будет достаточно, если однотонные фасады вам не нравится. Беспроигрышное сочетание — светлый верх и темный низ. Для интерьера в скандинавском стиле самый популярный вариант — это белая прямая кухня. Белый цвет смотрится лаконично, модно и визуально расширяет помещение. К тому же для светлых фасадов подойдет практически любой фартук. О маркости можно не беспокоиться: непрактичность белого гарнитура сильно преувеличена. Наоборот, на нем меньше заметна грязь. Чтобы избежать слишком частой уборки, выбирайте матовые, а не глянцевые покрытия.

7

---

фото

Instagram @vinenochka_home

Instagram @donna_sattarova

Instagram @lavandainterior

Instagram @ania.home

Instagram @ahousewebuilt

Instagram @jazzofmyhome

Instagram @jazzofmyhome

• Кухня

  6 красивых приемов в дизайне кухни, которые редко используют (и зря)

Материал подготовила

Любовь Дубинина

Использование разметки для рисования поверх фотографий в приложении «Фото» на Mac

Поиск по этому руководству

• Добро пожаловать!
• • Общие сведения об импорте
  • Из Фото iCloud
  • С фотокамеры или телефона
  • С устройств хранения, DVD и других устройств
  • Из Почты, Safari и других приложений
  • Импорт фотографий из другой медиатеки
  • Где хранятся импортированные фотографии?
• • Просмотр фотографий
  • Просмотр отдельных фотографий
  • Добавление заголовков, подписей и другой информации
  • Взаимодействие с текстом на фото с помощью функции «Онлайн-текст»
  • Использование функции «Что на картинке?» для получения информации о фотографии
  • Просмотр фотографий, которыми с Вами поделились другие пользователи
  • Удаление фотографий и восстановление удаленных фотографий
  • Скрытие фотографий
  • Просмотр серий фотографий
  • Воспроизведение видеоклипов
  • • Просмотр воспоминаний
    • Персонализация воспоминаний
  • Просмотр фотографий по изображенным на них людям
  • Просмотр фотографий по месту
• • Отображение определенных типов объектов
  • Поиск фотографий по тексту, содержимому или дате
  • Поиск фотографий по ключевому слову
• • Что такое альбомы?
  • Создание альбомов
  • Создание смарт-альбомов
  • Группировка альбомов в папках
• • Основы редактирования
  • Усечение и выпрямление фотографий
  • Использование фильтра для изменения фотографии
  • • Настройка освещенности, экспозиции и других параметров фотографии
    • Ретушь фотографий
    • Удаление красных глаз
    • Настройка баланса белого на фотографии
    • Коррекция кривых
    • Коррекция уровней
    • Коррекция четкости
    • Применение изменений к определенным цветам
    • Шумопонижение
    • Повышение резкости фотографии
    • Изменение освещения портрета
    • Применение виньетки
  • Рисование поверх фотографии
  • Использование других приложений при редактировании в Фото
  • Редактирование Live Photo
  • Редактирование видео
  • Редактирование видео в режиме киноэффекта
• • • Что такое общие альбомы?
    • Включение Общих альбомов
    • Создание общего альбома
    • Добавление, удаление и редактирование фотографий в общем альбоме
    • Добавление или удаление подписчиков
    • Подписка на общие альбомы
  • Предоставление доступа к фотографиям через Сообщения и Почту
  • Отправка фотографий через AirDrop
  • Предоставление доступа к фотографиям через другие приложения и веб-сайты
  • Экспорт фотографий, видео, слайд-шоу и воспоминаний
• • Создание слайд-шоу
  • Создание проектов с использованием сторонних приложений
• • Заказ профессиональной печати
  • Печать фотографий
• • Обзор Системной медиатеки Фото
  • Создание дополнительных медиатек
  • Резервное копирование медиатеки приложения «Фото»
  • Восстановление из Time Machine
  • Исправление медиатеки
  • Изменение места хранения фотографий и видео
• Изменение настроек приложения «Фото»
• Сочетания клавиш и жесты
• Авторские права

Максимальное количество символов: 250

Не указывайте в комментарии личную информацию.

Максимальное количество символов: 250.

Благодарим вас за отзыв.

Linear — Bilder und Stockfotos

1.023.386Bilder

• Bilder
• Fotos
• Grafiken
• Vektoren
• Videos

AlleEssentials

Niedrigster Preis

Signature

Beste Qualität

Durchstöbern Sie 1.023.386

linear Stock -Фотография и фотографии. Odersuchen Sie nach linien Oder zickzack, um noch mehr faszinierende Stock-Bilder zu entdecken.

deutschland элементы культуры страны набор иконок вектор — линейный сток-график, -клипарт, -мультфильмы и -символ

Deutschland Country Culture Elements Icons Set Vector

Перманентный макияж для augenbrauen. микроблейдинг перемешать. kosmetikerin, die augenbrauen-tattooing für weibliches gesicht macht. schönes junges mädchen in einem schönheitssalon — линейные стоковые фотографии и изображения

Перманентный макияж для Augenbrauen. Microblading Stirn….

диабет, набор линейных векторных иконок krankheitsdiagnostik — linear stock-grafiken, -clipart, -cartoons und -symbole

диабет, krankheitsdiagnostik Linear Vector Icons Set

Agile Softwareentwicklung Business Internet Techology konzept — linear stock-fotos und bilder

Agile Softwareentwicklung Business Internet Techology Konzept

набор иконок для коллекции обуви сникерхед вектор — линейный сток-график, -клипарт, -мультфильмы и -символ

Набор иконок для коллекции обуви Sneakerhead Vector

Набор иконок для компоста Boden sammlung вектор — линейная графика, клипарт, мультфильмы и символы

Набор иконок для компоста Boden Vector

karte bundesland oberösterreich österreich на прозрачном фоне. пустая карта Oberösterreich mit ortsteilen für ihr дизайн веб-сайта, логотип, приложение, пользовательский интерфейс. Австрия. эп.10. — линейный сток-график, -клипарт, -мультфильмы и -символ

Karte Bundesland Oberösterreich Österreich на прозрачном…

чертеж для монтажа солнечных модулей с робототехникой на современной греческой фабрике. produktionsprozeß für solarmodule in einer Automationierten anlage — linear stock-fotos und bilder

Draufsicht auf die Montagelinie von Solarmodulen mit…

autosport deutsche rennstreckenkurven — linear stock-fotos and bilder

Autosport Deutsche Rennstreckenkurven icons — linear stock-fotos und handt стоковые графики, клипарты, мультфильмы и символы

Decke und Handtuch Sammlung Icons Set Vektor

hand berühren globales netzwerk und datenausch über die welt 3d-рендеринг, metaverse и digitale welt online-netzwerk geschäftskonzept, technologie und big data, künstliche intelligenz technologie. — линейные стоковые фотографии и изображения

Ручные глобальные сети Netzwerk и Datenaustausch über die Welt…

профессиональные перманентные макияжи в augenbrauen hautnah. — линейные стоковые фотографии и изображения

Профессиональные перманентные макияжи в Augenbrauen hautnah.

kanufahren, aktiver rest vektor dunne linie icons set — linear stock-grafiken, -clipart, -cartoons und -symbole

kanufahren, aktiver rest вектор dünne linie icons set

structuriertes fußballspielfeld — blick auf das fußballtor aus dem mittelfeld. — Linear Stock-Photos und Bilder

structuriertes Fußballspielfeld — Blick auf das Fußballtor aus…

tragbare генератор набор иконок набор векторов — linear stock-grafiken, -clipart, -cartoons und -symbole

Tragbare Generator Sammlung Icons Set Vektor

personenaufzug, набор векторных линейных иконок лифта — linear stock-grafiken, -clipart, -cartoons und -symbole

Personenaufzug, набор векторных линейных иконок лифта

reiseunternehmen — linear stock-fotos und bilder

Blick auf den grünen Flixbus in rton des Bahnhofs in der Straße,…

sammlung verschiedene single icons set vektor — linear stock-grafiken, -clipart, -cartoons und -symbole

Sammlung verschiedene Singen Набор иконок вектор

Набор иконок элементов коллекции ланч-боксов вектор — линейная графика, клипарт, мультфильмы и символы

Набор иконок элементов коллекции ланч-боксов Вектор

перманентный макияж. салон красоты-спа-verfahren. фройляйн. гесихт тату. подводка-микропигментация. Профессионалы сталкиваются с микроблейдингом. Weibliches kosmetikgerät. копирайт. gesichtsbehandlung. дерматология — линейные фото и фотографии

Перманентный макияж. Салон красоты-Спа-Верфарен. Фройляйн. Гезихт Тату.

haus balkon formen lineare vector icons set — linear stock-grafiken, -clipart, -мультфильмы и -symbole

Haus Balkon Formen Lineare Vector Icons Set

Grünes Radar mit einer weltkarte linien binärcode — linear stock-fotos und bilder

Grünes Radar mit einer Weltkarte hinter Linien von Binärcode

pos-terminal, mobile payment vector linear icons set — linear stock- grafiken, -clipart, -cartoons und -symbole

POS-Terminal, Mobile Payment Vector Linear Icons Set

smartphone mit netzwerk- und datenausch über die welt 3d-rendering, metaverse und digitale welt online-netzwerk geschäftskonzept, technologie und big data, künstliche интеллектуальные технологии. — линейные фото и изображения

Смартфон с Netzwerk- und Datenaustausch über die Welt 3D-Rende

Набор иконок коллекции электронных инструментов для фритюрницы вектор — линейный рисунок, клипарт, мультфильмы и символы

Набор иконок для коллекции электронных инструментов для фритюрницы Vector

вектор — линейный сток-график, -клипарт, -мультфильмы и -символ

Eingelegte Produkt Lebensmittel Sammlung Icons Set Вектор

бизнесмен сенсорный экран на графическом экране значок eines medienbildschirms, technologie-prozesssystem geschäft mit kommunikations- und marketingschäft, teamerlgäftschäft, ge hr men . — линейные фото и изображения

Businessman Touchscreen auf der Grafik Screen Icon eines…

Agile Software Development Business Internet Techology konzept — linear stock-fotos und bilder

Agile Software Development Business Internet Techology Konzept

bahngleisfelder, bahngleise — linear stock-fotos und bilder

Bahngleisfelder, Bahngleise

led lampe ausrüstung sammlung icons set vector — linear stock-grafiken, -clipart, -cartoons und -symbole

Led Lampe Ausrüstung Sammlung Icons Set Vector0002 Elektrischer Zugwagenmast, Eisenbahnelektrifizierungssystem,…

Agile softwareentwicklung Business Internet Techology konzept — linear stock-fotos und bilder -clipart, -cartoons und -symbole

Indo-Pacific Major Energy SLOCs, Sea Lines Of Communication,…

kurvige eifelstraße, kehrtwende kurve — linear stock-fotos und bilder

kurvige Eifelstraße, Kehrtwende Kurve

verpackungsarten набор векторных иконок тонкой линии — linear stock-grafiken, -clipart, -cartoons und -symbole der landung vorbereitet — линейные стоковые фотографии и изображения

Männlicher Gleitschirmflieger in warmer Kleidung mit Fallschirm,. ..

fußballstadion — katar flagge — ballzentrum, mittelfeld — linear stock-fotos und bilder

Fußballstadion — Katar Flagge — Ballzentrum, Mittelfeld

oktoberfest-glyphen-icon-set — linear stock-grafiken, -clipart, -cartoons und -symbole

Oktoberfest-Glyphen-Icon-Set

boden- und materialammlung icons set vector — linear stock -grafiken, -clipart, -cartoons und -symbole

Boden- und Materialsammlung Icons Set Vector

schwarz-weiß-liniensymbolillustration. вектор wohn- und wohnungskonzept. haussammlung. — линейный сток-график, -клипарт, -мультфильмы и -символ

Schwarz-Weiß-Liniensymbolillustration. Vector Wohn- und…

nahaufnahme schalter bahnrichtungswechsel elektrische fernbedienung — linear stock-fotos und bilder

Nahaufnahme Schalter Bahnrichtungswechsel elektrische…

bunte straßenbahnen in der mannheimer city, einkaufszentrum ohne autos — linear stock-fotos und bilder

Bunte Straßenbahnen in der Mannheimer City, Einkaufszentrum ohne…

трещины, элементы коллекции, набор иконок, вектор — линейный сток-график, -клипарт, -мультфильмы и -символ

Crack Things Collection Elements Icons Set Vector

grün reifender weizen in einem feld und hochspannungsleitung türmen im hintergrund mit sommerlichem sonnenuntergangshimmel. weizen wächst auf dem feld und hochspannungs-strommasten und stromleitungen. — линейные стоковые фотографии и изображения

Grün reifender Weizen in einem Feld und Hochspannungsleitung türme

vektor herbst eichenblätter und eicheln. isolierte, elemente für design im line art style. — линейный сток-график, -клипарт, -мультфильмы и -символ

Вектор Хербст Эйхенблэттер и Эйхельн. Isolierte, Elemente für…

Regal Zimmer möbel sammlung icons set vector — linear stock-grafiken, -clipart, -cartoons und -symbole

Regal Zimmer Möbel Sammlung Icons Set Vector -fotos und bilder

Verschiedene Kinesiologiebänder und Scheren isoliert vor weißem…

luftreiniger geräte sammlung icons set vektor — linear stock-grafiken, -clipart, -cartoons und -symbole

Luftreiniger Geräte Sammlung Icons Set Vector

Weg zum Sonnenentscheidungskonzept — 3d-rendern — linear stock-fotos and bilder

Weg zum Sonnenentscheidungskonzept — 3D-Rendern

Кофейный символ вектор-дизайн-иллюстрация. tasse kaffee-symbol vektor isoliert auf weißem hintergrund. einfache kaffeetasse design for logo, web-symbol, zeichen und symbol vektor illustration vorlage. — линейный сток-график, -клипарт, -мультфильмы и -символ

Kaffeetasse Symbol Vektor-Design-Illustration. Tasse Kaffee-Symbol

Mautstraße Autobahn Набор иконок вектор — линейная графика, клипарт, -мультфильмы и символы

MautStraße Autobahn Sammlung Icons Set Vector

flagge tirols pinselstriche. Wehende Tiroler Fahne Auf Transparentem Hintergrund для их веб-дизайна, приложения, пользовательского интерфейса. Австрия. эп.10. — линейная графика, клипарт, мультфильмы и символы

Флаг Тироля. Wehende Tiroler Fahne auf…

baustelle mit rohren im tiefbau im baubereich. versorgung für gas, glasfaser, kabel — линейные фото и изображения

Baustelle mit Rohren im Tiefbau im Baubereich. Versorgung für Gas,

business hand halten beleuchtete glühbirne, idee, Innovation und Inspiring konzept der kreativität mit glühbirnen, die glitzer leuchten, kreativität mit glühbirnen, die glitzer leuchten. вдохновение der idee — линейные стоковые фотографии и изображения

Business Hand halten beleuchtete Glühbirne, Idee, Innovation und…

stadthäuser, wohngebäude vector linear icons set — linear stock-grafiken, -clipart, -cartoons und -symbole

Stadthäuser, Wohngebäude Vector Linear Icons Set

Drawstring tasche reise zubehör icons set vektor — linear stock-grafiken, -clipart, -cartoons und -symbole

Drawstring Tasche Reise Zubehör Icons Set Vektor

женщина, умереть макияж на основе — aufträgt linear stock-fotos und bilder

Frau, die Make-up auf das Gesicht aufträgt

landwirtschaftliche felder und gelbe kleine kapelle in der charmanten stadt rein (berühmt für das schöne stift rein) in der nähe von graz, steiermark, österreich — linear stock- фотографии и изображения

Landwirtschaftliche Felder und gelbe kleine Kapelle in der…

Chaos Pfeil Bewegung sammlung icons set vektor — linear stock-grafiken, -clipart, -cartoons und -symbole — линейные фото и фотографии

schmale Straßenkurve zwischen Klippen auf beiden Seiten

von 100

Linear Pattern — изображения и стоковые фотографии

325. 002 изображения

• изображения
• Fotos
• Grafiken
• Vektoren
• Видео

Пальсифицированные

Niedrigster Preis

Signature

Beste CaliTät

Durchstöbern Sie 325.002

Lineare 3333 Durchstöbern Sie 325.002 Lineare 333333. FotGrafie. Oder starten Sie eine neuesuche, um noch mehr Stock-Photografie und Bilder zu entdecken.

abstrakte japanisch gesäumte landschaft — линейный рисунок, графика, -клипарт, -мультфильмы и -символы

abstrakte japanisch gesäumte Landschaft

zen-kreis — линейный шаблон стоковые фото и изображения

Zen-Kreis

bibliothek buch nahtlose собрать вектор — линейный шаблон стоковые графики, -клипарт, -мультфильмы и -символ

Bibliothek Buch Nahtlose собрать вектор

burger nahtlose собрать вектор — linear

Burger Nahtlose Muster Vektor

haselnussmuster auf weißemhintergrund — линейный рисунок0003 werbekanäle lineare symbole gesetzt — линейный рисунок стоковая графика, -клипарт, -мультфильмы и -символ

Werbekanäle lineare Symbole gesetzt

минимальный набор линий абстрактный фон — линейный рисунок стоковая графика, -клипарт, -мультфильмы и -символ

Minimale Linien Muster abstrakter Hintergrund

геометрическая форма черно-белого векторного дизайна. абстрактные векторные текстуры. блат-хинтергрунд. — линейный шаблон стоковой графики, -клипарта, -мультфильмов и -символов

Геометрический рисунок Blatt Vektor Musterdesign. Абстракции Вектор…

nahtloses muster des linearen würfels. Endloser Kubischer Hintergrund. вектор-иллюстрация. — линейный рисунок стоковой графики, -клипарт, -мультфильмы и -символ

Nahtloses Коллекция линейных Würfels. Endloser kubischer…

handgezeichnete raumobjekte. планетен, кометен, ракетен. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

Handgezeichnete Raumobjekte. Планет, Кометен, Ракетен.

Geometrische Art-Deco-Geometrie-Muster с этикеткой, золотом на черном фоне. золотой, винтаж, ретро, ​​herbst, зима, rahmen zeichen. dekorative abstrakte design, abdeckung vorlage, Elegante luxus-linien — линейный рисунок, графика, клипарт, мультфильмы и символы

Geometrische Art-Deco-Geometrie-Muster mit Etikett, Gold auf…

молекулярно-структурный абстрактный технический фон. медтехника. wissenschaft-vorlage, tapeten oder banner. векторная иллюстрация — линейный рисунок, графика, клипарт, мультфильмы и символы

Molekül-Struktur abstrakten technischen Hintergrund. betonwand — линейный рисунок, графика, клипарт, мультфильмы и символы

Erde Risse oder Netzwerke von Wurzeln auf weißem Hintergrund….

кексе, кучень, кексы. вектормустер — линейный рисунок сток-графика, -клипарт, -мультфильмы и -символ

Kekse, Kuchen, Muffins. Vektormuster

Artikel-linearsymbol — линейный рисунок, графика, клипарт, -мультфильмы и символы

Artikel-Linearsymbol

абстрактный геометрический технологический фон. вектор креативный дизайн. — линейный шаблон — графика, -клипарт, -мультфильмы и -символ

Abstrakter geometrischer technologischer Hintergrund. Vektor…

blaues hintergrund-metallmuster — линейный рисунок стоковые фотографии и изображения

blaues Hintergrund-Metallmuster

golde berglinie landchaft, tapete — linear pattern stock-grafiken, -clipart, -cartoons und -symbole

Goldene Berglinie Landschaft, Tapete -cartoons und -symbole

Grafik-Designer — Linienbus-Symbole

Wasser Symbol Vector — Linear Pattern Stock Grafiken, -Clipart, -Cartoons und -symbole

Wasser Symbol вектор

вектор musterdesign. sechseck-растр-текстур. шварц-вайс-хинтергрунд. монохромный вабендизайн. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

Вектор Мустердизайн. Sechseck-Raster-Textur. Schwarz-weiß-Hintergr

Креативный векторный бесшовный паттерн — линейный паттерн Stock-grafiken, -clipart, -cartoons und -symbole

Креативный векторный бесшовный паттерн

vorlagenlayout für klinikbroschüren — Linear Pattern Stock-grafiken, -clipart, -cartoons und -symbole

Vorlagenlayout für Klinikbroschüren

Elegante jugendstil nahtlose test. абстрактный минималистский фон. геометрический ар-деко-текстур. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

Elegante Jugendstil nahtlose Muster. Abstrakter minimalistischer…

абстрактный многоугольник schwarz und grau draiecksmuster grafik. — линейный узор стоковой графики, -клипарта, -мультфильмов и -символов

Абстрактные полигоны и графические изображения.

Макет брошюр для веб-анализа и метрического курса — линейный рисунок, графика, -клипарт, -мультфильмы и -символ

Макет брошюры для веб-анализа и метрического курса

набор с геометрическими ориентирами. vektorabbildung von abstraktenhintergründen mit geometrischen formen und herzen. ностальгия по 2000 году, стиль 2000 года. entwurfsvorlage. гипнотический сбор. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

Установить с геометрическими поверхностями. Vektorabbildung von…

Абстрактные векторные изображения в этно-стиле — линейный шаблон стоковой графики, -клипарт, -мультфильмы и -symbole

Абстрактные векторные изображения в этно-стиле

Flugzeug-Destinationen Nahtlose Hintergrund. abenteuer zeit konzept — линейный рисунок, графика, клипарт, мультфильмы и символы

Flugzeug-Destinationen nahtlose Hintergrund. Abenteuer Zeit…

герц-бит-линия-символ. kardiogramm-lebenslinie umreißen stil piktogramm auf weißemhintergrund. Herzpuls для мобильных устройств konzept унд веб-дизайн. векторграфикен. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

Herz-Beat-Linie-Symbol. Kardiogramm-Lebenslinie umreißen Stil…

prüfungstest vektor nahtloses muster — линейный образец стоковой графики, -clipart, -cartoons und -symbole

prüfungstest Vektor Nahtloses Muster

диффузионный nahtlose muster. современный био-дизайн с абстрактными точками, точками и линиями. Геометрический орнамент векторный набор текстур — линейный рисунок, графика, клипарт, мультфильмы и символы

Diffusion nahtlose Muster. Modernebio-Turing-Design с…0002 Technologie-Sechseck-Muster-Hintergrund

korallengold grusbrüsste schlägt hochzeitsdekoration. векторный блеск оранжевого цвета. aquarell feder handgezeichnet дизайн. — линейная графика, -клипарт, -мультфильмы и -символы

Korallengold Grußbrüsste schlägt Hochzeitsdekoration. Вектор…

Орден, датасимвол/векторная графика — линейный узор, стоковая графика, -клипарт, -мультфильмы и -символ

Орден, Датасимвол/векторная графика

abstrakte wellen japanische landchaft — линейный узор, стоковая графика, -клипарт, -мультфильмы и — символ

abstrakte Wellen japanische Landschaft

vektormuster mit Tauben — линейный рисунок, графика, -клипарт, -мультфильмы и -символы

Vektormuster mit Tauben

satz von broschüre, jahresbericht, дизайн обложки бизнес-плана. — линейный шаблон — графика, -клипарт, -мультфильмы и -символы

Satz von Broschüre, Jahresbericht, Businessplan Cover Designs.

Workplace Wellness abstrakte summende farbkonzept — линейный шаблон стоковой графики, -клипарта, -мультфильмов и -символов

Workplace Wellness abstrakte summende Farbkonzept

japanische Landschaft auf Hellem Hintergrund — линейный рисунок, графика, -клипарт, -мультфильмы и -символы

japanische Landschaft auf hellem Hintergrund

handgezeichnete käfer. vektormuster — линейный рисунок, графика, клипарт, мультфильмы и символы

Handgezeichnete Käfer. Vektormuster

bibliothek buch nahtlose muster vektor — linear pattern stock-grafiken, -clipart, -cartoons und -symbole

Bibliothek Buch Nahtlose Muster Vektor

layout der training-programmbroschüre — linear pattern stock-grafiken, -clipart, -cartoons und -symbole

Layout der Workout-Programmbroschüre

Смартфон Технология векторного набора — линейный рисунок стоковая графика, -клипарт, -мультфильмы и -символ клипарт, -cartoons und -symbole

Donut Sweet Frühstück Vektor nahtlose Muster

Wood Grain-Muster — линейный рисунок Stock-grafiken, -clipart, -cartoons und -symbole

Wood Grain-Muster

luxus-pfeil gold liniehintergrund vip mit schwarzen metall текстур в 3D абстрактный стиль. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

Luxus-Pfeil Gold Linie Hintergrund VIP mit schwarzen Metall…

vatertag linie nahtlose muster — linear pattern stock-grafiken, -clipart, -cartoons und -symbole узор сток-графика, -клипарт, -мультфильмы и -символ

Abstrakte Weltkarte bestehend aus schwarzen Punkte / Kreise

глубокая векторная графика — линейный рисунок сток-графика, -клипарт, -мультфильмы и -символ

Glühbirne Vector nahtlose Muster

blue business technology vierseitigerhintergrund — linear pattern stock-grafiken, -clipart, -cartoons und -symbole und -symbole

Vektor nahtloses Muster-Hintergrundsymbol

technologie blaue kugel mit verbindenden punkten und lilien. цифровая абстрактная сетевая структура. 3D-рендеринг. — стоковые фото и изображения с линейным рисунком

Technologie blaue Kugel mit verbindenden Punkten und Lilien….

abstrakte neumorphismus designstreifen wellenbewegung — linear pattern stock-fotos und bilder

Abstrakte Neumorphismus DesignStreifen Wellenbewegung

saitenbild kunst — linear pattern stock-00 und 90boles, -cartoles Saitenbild Kunst

ручные gezeichnete пончики. vektormuster — линейный рисунок, графика, клипарт, мультфильмы и символы

Ручные gezeichnete Donuts. Vektormuster

gepointteten raster auf weißem hintergrund. nahtlose собрать мит punkten. пункт-растровая миллиметровая бумага. weißen abstraktenhintergrund mit nahtlosen dunkle punkte design for ihre Website-design, notizen, banner, druck, bücher. — линейный рисунок — графика, -клипарт, -мультфильмы и -символ

gepunkteten Raster auf weißem Hintergrund. nahtlose Собрать с…

абстракций 3D абстрактных изображений на фоне пустого пространства дизайн современной футуристической технологии фон вектор-иллюстрации. — линейный шаблон стоковой графики, -клипарта, -мультфильмов и -символов

Abstraktes rotes Licht 3D Pfeil Richtung auf dunkelgrau…

Content-Marketing-Banner, Visitenkartenvorlage. смм, копирайтинг. Firmenkontakt mit phone, e-mail-leitung symbole. промо-кампания, werbung. презентация, веб-сайт-идея. макет корпоративной печати — линейный рисунок, графика, клипарт, мультфильмы и символы

Content-Marketing-Banner, Visitenkartenvorlage. SMM, копирайтинг.

Абстрактное изображение dunkel blau luxus premium-hintergrund mit luxus dreiecke muster und gold beleuchtung linien — linear pattern stock-grafiken, -clipart, -cartoons und -symbole

Абстрактное изображение dunkel blau Luxus Premium-Hintergrund с…

из 100

Линейные фотографии и изображения премиум-класса в высоком разрешении

• ТВОРЧЕСКИЕ
• РЕДАКЦИОННЫЕ
• ВИДЕО

• Лучшее совпадение
• Новейший
• Старейший
• Самый популярный

Любое дата 24 часа 48 часов 72 часа 7-дневного 7-дневного 30-дневного. бесплатные коллекции >Выберите редакционные коллекции >

Встраиваемые изображения

Просмотрите 448 498

linear доступных стоковых фотографий и изображений или выполните поиск по запросу linear pattern или linear infographic, чтобы найти больше отличных стоковых фотографий и изображений. крупный план бизнесмена и двух деловых женщин, одна из которых смотрит на свой билет, а другая проверяет время на часах — линейные стоковые фотографии, фотографии без лицензионных платежей и изображения телефон другой, стоящий рядом с багажной тележкой — linear стоковые фотографии, лицензионные фото и изображения устройства — линейные стоковые картинки, фотографии без уплаты роялти и изображения — линейные стоковые изображения, фотографии и изображения без лицензионных платежей женщина сидит за столом, лицо скрыто, с рукой на стопке книг — l inear стоковые картинки, лицензионные фото и изображениядва мужчины и женщина на лестнице — linear стоковые картинки, фотографии без лицензионных платежей и изображения на женском лице — линейные стоковые картинки, фото и изображения без уплаты роялти — мужские лица, крупный план — линейные стоковые картинки, фото и изображения без уплаты роялти коробки — линейные стоковые изображения, фотографии и изображения без уплаты роялтитри человека в позе трех мудрых обезьян — линейные стоковые изображения, фотографии и изображения без уплаты роялтилес за поляной, размыто. — линейные стоковые фотографии, фотографии и изображения без лицензионных платежей. — линейные стоковые изображения, фотографии и изображения без лицензионных платежей, линейка, размытая. — линейные стоковые картинки, фотографии и изображения без лицензионных платежей, школьная книга и шариковая ручка. — линейные стоковые фотографии, фотографии и изображения без лицензионных отчисленийрука держит ручку над учебником. — линейные стоковые изображения, фотографии без лицензионных отчислений и блокнот для изображений, карандаш и ластик. — линейные стоковые изображения, фотографии без лицензионных отчислений и блокнот и карандаш. — линейные стоковые изображения, фотографии без лицензионных отчислений и изображения, вырванные страницы из школьного учебника. — линейные стоковые картинки, фотографии и изображения без лицензионных платежейрука держит ножницы, крупный план, ч&б — линейные стоковые фотографии, фотографии и изображения без лицензионных платежей шесть пустых горшков для растений. — линейные стоковые изображения, фотографии и изображения без лицензионных платежей люди стоят бок о бок, вид сзади, ч&б — линейные стоковые изображения, фото и изображения без лицензионных платежейсветовой эффект, желтый, синий и зеленый. — линейные стоковые изображения, фотографии без лицензионных платежей и изображения людей, ожидающих перед билетными кассами, вид под высоким углом фото и изображения без лицензионных платежейлюди на улице, размытые — линейные стоковые картинки, фотографии без лицензионных платежей и изображениясилуэты людей на улице, размытые — линейные стоковые картинки, фото и изображения без лицензионных платежей бесплатные фото и изображенияокна на фасаде здания — линейные стоковые картинки, фото и изображения без лицензионных платежейокна — линейные стоковые картинки, фото и изображения без лицензионных платежейфасад небоскреба — линейные стоковые картинки, фото и изображения без лицензионных платежейзакрытые зонтики на нормандском пляже в северном довиле, франция, европа — линейные стоковые фотографии, фотографии и изображения без лицензионных платежеймного желтых и белых зонтиков и шезлонгов в линию на пляже локтя на бермудских островах, карибский бассейн — лин ухо стоковые картинки, фотографии и изображения без лицензионных платежеймного зонтов и белых шезлонгов в линию на пляже Шол-Бэй на Ангилье, Карибский бассейн фото и изображения без лицензионных платежейдве полосы дороги с белыми стрелками, часть — линейный стоковые картинки, фото и изображения без лицензионных платежейкрупный план руки человека, пишущего ручкой — линейный стоковые картинки, фото и изображения без уплаты роялти чек — линейный Стоковые фотографии, лицензионные фото и изображения крупный план меридианов на карте — линейный Стоковые фотографии, лицензионные фото и изображения крупный план чисел, напечатанных на бумаге — линейные стоковые изображения, фотографии и изображения без уплаты роялти — крупный план формы опроса — линейные стоковые изображения, фотографии и изображения без уплаты роялти & изображениякрупный план мяча po int pen рядом с калькулятором — linear стоковые фотографии, лицензионные фото и изображения изображениякрупный план текста, напечатанного на бумаге — линейные стоковые картинки, фотографии и изображения без лицензионных платежейкрупный план банковского чека — линейные стоковые картинки, фотографии и изображения без лицензионных платежейкрупный план игральных костей на графике — линейные стоковые картинки, роялти-фри бесплатные фото и изображениямакароны в форме звезды — линейные стоковые картинки, фото и изображения без лицензионных платежейкрупный план карандаша, играющего узлы и кресты — линейные стоковые картинки, фото и изображения без лицензионных платежейрисовать компас, карандаш и транспортир на листе бумаги с линиями, закрыть -up — linear стоковые картинки, лицензионные фото и изображениятеннисная сетка на зеленом корте — linear стоковые картинки, лицензионные фотографии и изображениядорические колонны выравнивают фасад парфенона в акрополе. , афины, аттика, греция, европа — linear стоковые картинки, роялти- бесплатные фото и изображения 100

Различное масштабирование линейных моделей и глубокое обучение в изображениях мозга UKBiobank по сравнению с наборами данных машинного обучения

Введение

Вслед за генетикой и другими биологическими областями нейронаука визуализации недавно начала становиться наукой о больших данных. Было предложено, чтобы науки о мозге стали одной из самых богатых данными медицинских специальностей ¹ из-за накопления данных изображений с высоким разрешением.

Несколько инициатив по сбору данных выделяются на фоне визуализации мозга ^2,3 , включая проект Human Connectome Project (HCP), исследование изображений UKBiobank (UKBB) и консорциум Enhancing NeuroImaging Genetics through Meta-Analysis (ENIGMA). UKBB на сегодняшний день является, пожалуй, наиболее убедительным, так как этот ресурс включает в себя генетическое профилирование и широкий спектр дескрипторов фенотипирования. Агрегация данных началась примерно в 2006 году для сбора генетических и экологических данных примерно 500 000 добровольцев и в настоящее время является крупнейшим в мире набором биомедицинских данных. В 2014 году UKBB запустила расширение для визуализации мозга, стремясь к 2022 году собрать несколько методов магнитно-резонансной томографии (МРТ) примерно у 100 000 человек 9 .0335 4 . UKBB специально разработан для проспективной популяционной эпидемиологии. Вместо этого цель HCP заключается в функциональной и анатомической связности у здоровых людей, тогда как ENIGMA уделяет особое внимание генетическому профилированию в сочетании со сканированием мозга при психических и неврологических заболеваниях. Создание, курирование и совместная работа с крупномасштабными наборами данных визуализации мозга с тысячами субъектов обещает обеспечить более продвинутую количественную аналитику, чем в настоящее время.

Важным преимуществом таких крупномасштабных коллекций данных является то, что они могут позволить создавать более выразительные модели, которые могли бы более эффективно изолировать и описывать явления в мозге — модели, которые могут фиксировать сложные нелинейные взаимодействия, скрытые в обычно анализируемых, теперь многочисленных сканах мозга. Подстегиваемый увеличением доступности данных, анализ данных визуализации мозга все больше и больше поддерживает сложные алгоритмы машинного обучения ^5,6,7 . Основным шагом в таких подходах к анализу данных всегда было определение наиболее релевантных переменных, которые должны быть включены, и того, как эти переменные-кандидаты должны быть закодированы или встроены во вновь разработанные функции, часто называемые «ручной разработкой функций».

Линейные модели долгое время доминировали в анализе данных, поскольку сложные преобразования в богатые многомерные пространства исторически были вычислительно невозможны ^5,8,9 . К концу двадцатого века были разработаны вложения ядра ¹⁰ для эффективного сопоставления данных с богатыми многомерными пространствами эффективным с вычислительной точки зрения способом. Методы ядра могут выполнять анализ данных в расширенном, потенциально бесконечно размерном представлении исходных входных переменных. Это расширение многих классических линейных методов для захвата более сложных нелинейных закономерностей в данных позволило повысить точность прогнозирования в самых разных приложениях, включая многие области биомедицины.

«Предварительно запрограммированные» методы ядра, работающие с предопределенными функциями подобия, в свою очередь, недавно были заменены возрождением искусственных нейронных сетей под общим термином «глубокое обучение ¹¹ ». Одним из ключевых аспектов этого еще более гибкого класса алгоритмов является каскад последовательных нелинейных преобразований входных переменных. Глубокая нейронная сеть (DNN) автоматически учится объединять пиксели изображения в базовые формы, такие как круги или ребра, которые объединяются дополнительными слоями преобразования в объекты, такие как мебель, которые в конечном итоге составляют целые сцены и другие абстрактные концепции, такие как кухня, представленная в высших слоях. Помимо методов ядра, глубокие методы позволили «автоматическую разработку функций» и даже более богатые представления и абстракции шаблонов в данных. В некотором смысле методы глубокого обучения можно рассматривать как методы ядра, которые также изучают ядро ​​9.0335 12 .

Это обновление открыло беспрецедентный успех прогнозирования в ряде областей приложений, особенно в тех, которые связаны с обработкой естественных изображений, текста или речевых данных — областях, где DNN могут использовать некоторые из своих сильных сторон: композиционные представления и жестко запрограммированное предположение об инвариантности перевода. . Пока неясно, будет ли глубокое обучение столь же успешным на изображениях, полученных при сканировании мозга, особенно при прогнозировании фенотипов на основе структурной и функциональной МРТ (sMRI/fMRI) 9.0335 13 . Срочно требуется беспристрастная оценка глубокого обучения в визуализации мозга. Однако модели глубокого обучения очень гибкие, и постоянно разрабатываются новые разновидности. Этот рост рейтинга моделей глубокого обучения делает почти невозможным всестороннее сравнение моделей глубокого обучения, одну за другой, для визуализации мозга. Здесь мы пытаемся удовлетворить эту потребность, опираясь на основные принципы. В нашем исследовании особое внимание уделяется предварительному условию, которое, скорее всего, ограничит успех глубокого обучения на данных изображений мозга: степень, в которой нелинейные отношения в изображениях мозга можно использовать для прогнозирования фенотипа при доступных в настоящее время размерах выборки.

В частности, составной частью успеха глубокого обучения для обработки изображений были операции свертки, которые вводят дополнительное предположение о трансляционной инвариантности ¹¹ . Если использовать географическую аналогию, репрезентативные признаки пробок могут быть обнаружены на спутниковых изображениях с помощью сверточных слоев независимо от того, в каком городе расположены пробки, независимо от их размера и формы. Эти дорожные события могут быть собраны слоями свертки более высокого уровня в сводные данные о глобальных шаблонах трафика по штатам, странам и континентам (т. Это распространение стало бы возможным, потому что слои свертки предполагают, что если информация об изображении полезна для количественной оценки трафика в одном месте, те же функции будут также полезны в других удаленных местах (т. Е. Трансляционная инвариантность). Однако, несмотря на успех глубокого обучения для многих приложений обработки изображений, до сих пор неясно, в какой степени МРТ-сканирование мозга дает нелинейную структуру, которую можно использовать для предсказания фенотипа, требующего как композиционности, так и трансляционной инвариантности. Существуют ли признаки более высокого уровня МРТ-сканирования, которые состоят из признаков более низкого уровня нелинейным образом? Может ли предсказание фенотипа выиграть от захвата неправильных анатомических форм, таких как желудочки головного мозга? Появляются ли одни и те же информативные элементы в любой части изображения МРТ? Если нет, то улучшения производительности, которых достигают глубокие сверточные нейронные сети в некоторых областях обработки изображений, могут не переноситься напрямую на анализ МРТ-сканов мозга.

Короче говоря, с исторической точки зрения модели на основе ядра превзошли линейные модели во многих приложениях. Модели глубокого обучения снова усовершенствовали извлечение шаблонов и, таким образом, еще больше повысили точность прогнозирования в структурированных данных, таких как естественные изображения. Наше исследование систематически описывает масштабирование этих трех режимов моделирования на данных визуализации мозга и сравнивает с профилями производительности на стандартных наборах данных машинного обучения. Наши количественные результаты вызывают некоторый осторожный скептицизм в отношении вопроса: содержат ли появляющиеся крупномасштабные наборы данных визуализации мозга нелинейную информацию для лучшего прогнозирования общих фенотипов, которые могут быть использованы в доступных в настоящее время ядерных и глубоких моделях?

Результаты

Обоснование и краткое изложение рабочего процесса

Целью нашего исследования была оценка того, какую пользу может принести анализ данных визуализации мозга с использованием нелинейных методов или даже глубокого обучения для прогнозирования важных демографических фенотипов или образа жизни. Чтобы результаты можно было обобщить, мы хотели пролить свет на общие типы информации в данных визуализации мозга и на то, требуют ли эти свойства более сложных моделей, максимально использующих увеличивающийся размер выборки. Получение таких важных интуитивных выводов позволило бы нам не только наблюдать, что конкретный аналитический подход хорошо работает с данными визуализации мозга, но и предоставить индикаторы, почему это может иметь место, чтобы сделать выводы о более широких классах методов.

С этой целью мы оценили, как производительность прогнозирования масштабируется с увеличением размера выборки для классов моделей с увеличением способности прогнозирования и наборами данных с увеличением сложности прогнозирования. Мы рассмотрели достигнутую эффективность прогнозирования как функцию доступного размера выборки, чтобы получить принципиальную эмпирическую оценку сложности выборки (см. «Методы»). Анализ сложности эмпирической выборки позволяет получить представление об информационном содержании данных, воспринимаемом через предположения данного класса модели. Например, линейные модели слепы к нелинейным закономерностям в данных по своей конструкции. Нелинейные методы ядра предполагают, что определенный тип нелинейного взаимодействия (т. е. ядро) лучше всего подходит для определения границ решений для точной классификации. Делая еще один шаг вперед, DNN также ожидают нелинейных взаимодействий в данных, но интуитивно этот класс моделей изучает ядро, а не предполагает предварительное расширение входной переменной.

Мы использовали три класса алгоритмов обучения для оценки эффективности предсказания фенотипа с перекрестной проверкой на эталонных наборах данных (рис. 1) следующим образом: (а) классические (регуляризованные) линейные модели используются в течение нескольких десятилетий в различных эмпирических областях ¹⁴ , (b) машины опорных векторов ядра (SVM), которые были одними из наиболее конкурентоспособных подходов с конца 1990-х по ~ 2010 год, и (c) общие алгоритмы DNN, которые теперь стали доминировать в областях, где ключевыми являются мощные эмпирические прогнозы и большое количество структурированных данных. (например, изображения) доступны обучающие данные. Для каждого класса моделей мы выбрали три репрезентативных алгоритма, пытаясь охватить множество подходов в заданном режиме количественного анализа. Для класса линейных методов мы выбрали линейный дискриминантный анализ (LDA), логистическую регрессию и линейные SVM (без ядра). Для неглубоких нелинейных моделей мы профилировали расширения линейных моделей с популярными радиальными базисными функциями (РБФ), полиномиальными и сигмоидальными ядрами. Для глубоко нелинейных моделей мы использовали полносвязные и сверточные DNN с глобальным средним пулом (GAP) и без него. Таким образом, мы сопоставили несколько методов анализа, которые резюмируют важные периоды недавней эволюции науки о данных.

Рис. 1: Рабочий процесс и план эксперимента.

Мы напрямую сравнили свойства наборов данных машинного обучения с наборами данных визуализации мозга на основе кривых производительности трех классов прогностических моделей. a Хорошо понятные эталонные наборы данных из сообщества машинного обучения были выбраны для воспроизведения предыдущих результатов и служат в качестве ориентира для поведения масштабирования в отношении нейронауки визуализации: изображения MNIST должны были быть классифицированы по различным рукописным цифрам и изображениям Zalando Fashion. должны были быть разделены на разные виды одежды. Несколько изображений структуры и функций мозга были получены из ресурса UKBiobank: объемы областей и срезы всего мозга из структурной МРТ, а также силы функциональных связей из функциональной МРТ в состоянии покоя. Данные изображения мозга использовались для прогнозирования возраста и пола субъектов в 10 подгруппах, соответствующих десяти целевым категориям MNIST и Fashion. b Эффективность прогнозирования для каждого набора данных была профилирована с использованием прогностических моделей, способных последовательно повышать прогностическую силу: линейные модели (красный тон), SVM с неглубоким нелинейным ядром (зеленый тон) и алгоритмы глубокой нелинейной нейронной сети (синие тона). . c Для каждой комбинации набора данных и модели мы систематически варьировали количество точек данных, доступных для обучения модели. Полученные эмпирические оценки сложности выборки позволяют экстраполировать выводы на всегда большие размеры выборки.

Полноразмерное изображение

Производительность модели на эталонных наборах данных машинного обучения

Чтобы убедиться, что мы можем получить эмпирические оценки различий в сложности выборки между линейными, ядерными и глубокими моделями, мы сначала изучили два эталонных набора данных, которые повсеместно использовались в сообщество машинного обучения. Эта установка не только подтвердила наш подход к построению схемы масштабирования прогностической эффективности с увеличением размера выборки, но также установила точку сравнения различий в производительности для трех классов моделей применительно к данным визуализации мозга.

Набор данных MNIST (модифицированный набор данных Национального института стандартов и технологий ¹⁵ ) является важным классическим эталонным набором данных в сообществе машинного обучения. Этот ресурс состоит из изображений рукописных цифр в оттенках серого со значением цифры (0–9), которые необходимо классифицировать на основе необработанной информации о пикселях. Чтобы количественно охарактеризовать влияние более сложной цели прогнозирования, мы также проанализировали набор данных Zalando Fashion ¹⁶ . Набор данных, который иногда называют Fashion-MNIST, состоит из изображений модных товаров в градациях серого, предназначенных для классификации десяти категорий одежды. Этот ресурс был создан, чтобы поставить более сложную задачу прогнозирования, чем MNIST, при сохранении того же количества целей (т. е. 10 категорий), размерности (т. е. 28 × 28 = 768 переменных) и размера выборки (т. е. 70 000 изображений).

Чтобы убедиться, что реализация нашей модели работает так, как можно было бы ожидать из технической литературы, мы воспроизвели несколько лучших на данный момент результатов прогнозирования в наборе данных MNIST. На полном наборе данных, включающем 60 000 обучающих наблюдений, наша модель логистической регрессии достигла эффективности классификации 91,32 ± 0,90 % (среднее значение точности прогнозирования вне выборки   ±   SD для 20 итераций повторной выборки), что очень похоже на более ранние исследования машинного обучения (91,7 %). сообщается в ссылке ¹⁶ ). Более современные SVM с ядром RBF (RBF-SVM) достигли точности 96,79 ± 0,65% (98,6% в ссылке ¹⁷ ). Наконец, стандартная сверточная модель DNN достигла точности предсказания 99,03 ± 0,39%, что соответствует 98,9%, о которых сообщают LeCun et al. ¹⁵ на основе аналогичной архитектуры глубокого обучения. Таким образом, производительность нашей модели воспроизвела точность современной классификации, о которой сообщалось в предыдущих исследованиях технических сообществ.

Чтобы тщательно оценить степень использования нелинейной структуры в наборах данных MNIST и Fashion, мы сравнили производительность линейных моделей и нелинейных ядерных SVM с постепенно увеличивающимся количеством обучающих изображений. Систематические улучшения точности прогнозирования при переходе от линейных моделей к нелинейным последовательно указывали на существование пригодной для использования нелинейной информации, которая позволяла прогнозировать категорию цифр в наборе данных. В наборе данных MNIST (рис. 2а) линейная и ядерная модели работали неразличимо для небольших размеров выборки. Тем не менее, мы заметили, что линейные модели и модели ядра расходятся в точности прогнозирования, начиная примерно с 1000 примеров изображений. При превышении этого размера выборки худшая из трех моделей ядра (RBF-SVM) превзошла лучшую из трех линейных моделей (логистическая регрессия). В наборе данных Fashion (рис. 2c) наихудшая модель ядра (сигмоид-SVM) начала превосходить лучшую линейную модель (логистическая регрессия), начиная с 4000 наблюдений. Эта разница в масштабировании производительности выросла до 4,03 процентных пункта (п.п.) и 1,76 п.п. при 8000 наблюдений для MNIST и Fashion соответственно.

Рис. 2. Повышение производительности классификации с использованием более мощных алгоритмов в двух наборах данных машинного обучения.

Показывает масштабирование производительности точности прогнозирования (ось y ) в зависимости от увеличения размера выборки (ось x ) для универсальных линейных моделей (красные тона), ядерных моделей (зеленые тона) и моделей глубоких нейронных сетей (синие тона). тонов). Все характеристики модели оцениваются на одном и том же независимом наборе тестов. a В классификации рукописных цифр в наборе данных MNIST классы трех линейных, трех ядерных и трех глубоких моделей демонстрируют различное поведение масштабирования: линейные модели превосходят ядерные модели, которые, в свою очередь, уступают глубоким моделям. Точность предсказания большинства моделей начинает демонстрировать насыщение при больших размерах выборки, а модели сверточных нейронных сетей приближаются к почти идеальной классификации из десяти цифр. c Будучи более сложным преемником MNIST, набор данных Fashion предназначен для классификации десяти категорий одежды на фотографиях. Как и в случае с MNIST, линейные модели уступают ядерным моделям, которые уступают глубинным моделям. В отличие от MNIST, характеристики классов моделей труднее различить при малых размерах выборки, и они начинают разветвляться с ростом размера выборки. В наборе данных Fashion требуется больше изображений для ядерных и глубоких моделей, чтобы эффективно использовать нелинейную структуру для замены линейных моделей. b , d Фенотипы головного мозга на основе изображений (IDP), предоставленные UKBiobank, использовались для классификации субъектов в десять групп субъектов, разделенных по полу и возрасту. Количество категорий эквивалентно, а номер функции p аналогичен MNIST и Fashion. Как в обычно получаемых структурных (sMRI), так и в функциональных (fMRI) изображениях мозга линейные, ядерные и глубинные модели практически неразличимы во всех исследованных наборах обучающих изображений, а точность прогнозирования явно не достигает насыщения. Более того, использование различных высокопроизводительных классификаторов на основе дерева также не превзошло наши линейные модели (дополнительный рисунок 1). В той мере, в какой сложная нелинейная структура существует в этих типах изображений мозга, наши результаты показывают, что эта информация не может быть напрямую использована на основе доступных размеров выборки. Количество входных переменных в сценарии моделирования обозначается стр . IDP   =   фенотип, полученный из изображения. Столбики погрешностей = среднее ± SD по 20 итерациям перекрестной проверки (все панели).

Полноразмерное изображение

То есть мы показываем менее заметный разрыв между линейными и неглубокими нелинейными методами в одном из двух сопоставимых наборов данных с более сложной целью прогнозирования (т. е. обнаружение одежды, а не рукописных цифр). Для достаточно больших размеров выборки, доступных для обучения модели, методы ядра превзошли линейные модели как в наборах данных MNIST, так и в наборах данных Fashion. Следовательно, SVM ядра могут легко использовать нелинейную структуру в исследуемых наборах данных, которая в принципе недоступна для более простых линейных моделей.

Затем мы более внимательно изучили, как разница в задаче предсказания десяти классов масштабируется с постоянно растущими размерами выборки в наборах данных MNIST и Fashion. Размер выборки, необходимый для насыщения производительности прогнозирования классификатора, связан со сложностью шаблонов, которые могут быть надежно получены из количества и размерности наблюдений, доступных для обучения модели. Производительность вневыборочного прогнозирования как линейных, так и ядерных моделей насыщается с увеличением размера выборки в MNIST. Производительность линейных моделей (логистическая регрессия) улучшилась на 14,67 п.п. с 71,64 ± 2,62% до 86,31 ± 1,06%, когда доступность данных увеличилась со 100 до 1000 наблюдений, тогда как производительность для неглубоких нелинейных моделей (т.е. RBF-SVM) улучшилась на 15,60 п.п. с 72,58 ± 2,34% до 88,23 ± 1,11%. Улучшения снижены до 3,50 п.п. (5,62 п.п. для RBF-SVM) от 1000 до 8000 наблюдений изображений. Это насыщение точности предсказания было менее выраженным при применении тех же алгоритмов обучения к изображениям набора данных Fashion: линейные модели (логистическая регрессия) улучшились на 10,22 п.п. от 690,34 ± 2,95% до 79,55 ± 1,67%, от 100 до 1000 наблюдений, но только 4,31 п.п. от 1000 до 8000 наблюдений. Неглубокие нелинейные модели (SVM-RBF) улучшились на 11,08 п.п. с 69,50 ± 2,89% до 80,58 ± 1,57%, от 100 до 1000 наблюдений, но только на 5,78 п. п. при увеличении размера обучающей выборки с 1000 до 8000 наблюдений.

В целом, в соответствии с нашими ожиданиями, нелинейные методы, такие как SVM ядра, постепенно превосходили линейные модели, такие как логистическая регрессия, по мере увеличения количества наблюдений, доступных для построения модели. Кроме того, производительность прогнозирования медленно насыщается при увеличении количества наблюдений сверх 1000 примеров изображений. Оба эффекта были более выражены для более простой цели прогнозирования классификации цифр (MNIST), чем для более сложной классификации одежды (Мода). То есть в более сложной задаче прогнозирования более богатые нелинейные модели могли бы узнать еще больше по мере роста объема доступных данных изображения. Более сложные задачи классификации требовали большего количества образцов для насыщения моделей. Наши эмпирические результаты масштабирования подтверждают, что эти стандартные наборы данных машинного обучения содержат нелинейную структуру, которую наши нелинейные модели ядра могут использовать все больше по мере роста числа обучающих наблюдений.

Показатели на шкалах изображений мозга, аналогичных линейным моделям

Чтобы оценить, как производительность общих линейных моделей и нелинейных ядерных моделей ведет себя на данных изображений мозга, мы создали ряд сценариев классификации, используя самый большой в настоящее время набор данных изображений мозга — Изображение UKBB. Мы попытались специально разработать проблемы классификации, чтобы они были похожи на ключевые свойства MNIST и Fashion, чтобы облегчить сравнение результатов между эталонными наборами данных визуализации мозга и машинного обучения. В качестве цели классификации мы построили целевую переменную из десяти классов на основе возраста и пола субъектов по аналогии с формой данных в MNIST и Fashion. Наши данные UKBB предоставили структурную и функциональную МРТ, одновременно доступные в 9,300 предметов. Мы оценили различные взгляды на лежащие в основе данные о мозге, соответствующие различным и часто используемым формам анализа данных визуализации мозга: функциональная связность) и структурной МРТ головного мозга (региональные особенности серого и белого вещества), которые привели > 100 000 вокселей серого вещества на сканирование мозга к размерности, близкой к размерности MNIST и Fashion: p  = 1485 переменных для функциональной МРТ и p  = 164 переменных для структурной МРТ. Кроме того, для изучения сценариев анализа данных, ориентированных на статистику на уровне вокселей (например, общая линейная модель, такая как реализованная в статистическом параметрическом картировании и других распространенных пакетах программного обеспечения для анализа изображений головного мозга), мы уменьшили необработанные воксели sMRI до размерности MNIST из 784 переменных. с помощью различных методов выбора признаков и уменьшения размерности. Наконец, при подготовке нашего анализа современных сверточных нейронных сетей мы извлекли центральные двумерные срезы sMRI для каждой анатомической плоскости.

Несмотря на то, что мы приложили усилия для решения задач классификации изображений мозга со свойствами, аналогичными MNIST и Fashion с точки зрения количества классов, признаков и размера выборки, мы признаем, что проблемы классификации изображений мозга все еще более сложны (например, , возраст связан с особенностями мозга непрерывным образом, и мозг людей стареет по-разному, поэтому между классами может быть большое совпадение). Поэтому мы провели дополнительный контрольный анализ бинарной (половой) классификации и непрерывной (возрастной) регрессии (рис. 3 и 4), а также более сложных целей прогнозирования, таких как изменчивый интеллект, доход домохозяйства и количество людей в домохозяйстве ( Рис. 5).

Рис. 3: Мощные прогностические алгоритмы не могут повысить точность классификации для нескольких видов изображений мозга.

a – c Информация о сером веществе всего мозга из структурных изображений мозга (sMRI, UKBiobank) была обобщена с помощью трех широко используемых методов отбора признаков/проектирования. Исходные десятки тысяч объемов вокселей серого вещества были сокращены до 784 переменных для сравнения с размерностью MNIST и Fashion (рис. 1) в качестве основы для изучения прогностических моделей для классификации десяти половозрастных групп. Точность прогнозирования, достигнутая с помощью одномерного выбора признаков (тесты релевантности, независимые для каждой переменной), уступает рекурсивному исключению признаков (учету условных эффектов между переменными), которое, в свою очередь, заменяется случайными проекциями (преобразования низкого ранга всех исходных переменных). Ни одно из этих изображений мозга с уменьшенной размерностью не приводит к систематическим различиям между линейными (красные тона), ядрами (зеленые тона) и глубокими (синие тона) классами моделей. В частности, полносвязные глубокие нейронные сети заметно не превзошли рассмотренные классические линейные или ядерные методы. d – f Аксиальные, коронарные и сагиттальные срезы изображений серого вещества всего мозга (sMRI) использовались для категоризации на десять групп. В отличие от классификации 2D-изображений пальцев и одежды по десяти категориям (рис. 2a, c), классификация 2D-изображений анатомии мозга по десяти возрастным/половым группам не демонстрирует очевидных различий в производительности между линейными, ядерными и глубокими моделями. Эти анализы снова указывают на нехватку легко используемой нелинейной структуры в обычных sMRI-сканах мозга для нынешних размеров выборки. Количество входных переменных в сценарии моделирования обозначается стр . Столбики погрешностей = среднее ± 1 стандартное отклонение по 20 итерациям перекрестной проверки (все панели).

Полноразмерное изображение

Рис. 4: Использование нелинейности очевидно в различных открытых наборах данных, но не в функциональных изображениях мозга.

Чтобы дополнить нашу классификацию десяти групп, стратифицированных по возрасту/полу (рис. 2 и 3), мы разделили цель стратифицированного прогнозирования, отдельно изучив непрерывную возрастную регрессию и категориальную половую классификацию, используя линейную (красные тона), ядерную (зеленые тона) , и глубокие (голубые тона) модели. В наборе эталонных данных по сверхпроводимости ( a ), критическая температура была предсказана на основе 82 физических свойств, таких как теплопроводность, атомный радиус и атомная масса ⁵³ . Здесь ядерные и глубокие модели явно превосходят линейные модели по измеренной вне выборочной объясненной дисперсии ( R ² , коэффициент детерминации). Напротив, при прогнозировании возраста на основе функционального сканирования мозга ( b ) наиболее эффективная линейная модель (регрессия Риджа) имеет поведение масштабирования, практически идентичное ядерным и глубоким моделям. Это предсказание возраста с использованием фМРТ-сканирования концептуально похоже на предыдущие анализы зрелости мозга, в которых сообщалось о 55% объясненной дисперсии у 238 субъектов в возрасте от 7 до 30 лет 9.0335 70 . Эти исследователи отметили «асимптотическое созревание по отношению к прогнозируемому среднему возрасту мозга в популяции ~ 22 года […] Подогнанные модели в основном различались в своих прогнозах для более молодого возраста». У наших гораздо более пожилых испытуемых из UKBiobank (62,00 ±   7,50 лет) мы достигаем ~ 40% объясненной дисперсии, тогда как кривые обучения предполагают дальнейший прирост производительности по мере того, как становится доступно больше данных о мозге. Мы обнаруживаем аналогичное несоответствие между машинным обучением и наборами данных визуализации мозга в настройках бинарной классификации. В четной (0, 2, 4,…) и нечетной (1, 3, 5,…) классификации цифр на MNIST ( c ), ядерные и глубинные модели расходятся с линейными моделями по точности классификации по мере увеличения размера выборки. Однако ядерная и глубокая модели не превосходят в классификации пола на основе данных фМРТ ( d ), где все рассмотренные модели показали практически одинаковую эффективность предсказания. Количество входных переменных в сценарии моделирования обозначается как p . IDP   =   фенотип, полученный из изображения. Столбики погрешностей = среднее   ±   SD для 20 итераций перекрестной проверки (все панели).

Полноразмерное изображение

Рис. 5. Более сложные цели прогнозирования не показывают признаков использования нелинейных взаимосвязей в изображениях мозга.

Чтобы дополнить легко предсказуемые цели по возрасту и полу, мы повторили наш сравнительный анализ более сложных демографических показателей и факторов образа жизни, включая IQ, социально-экономический статус и размер домохозяйства. Регрессия Ridge и ElasticNet обеспечивает линейную базовую линию, которая работает наравне с более мощными моделями ядра и глубокой нейронной сети при прогнозировании сложных целевых переменных ( R ² , коэффициент детерминации). Лассо приблизился к сопоставимой производительности при больших размерах выборки. Более того, производительность линейных моделей постоянно не достигала предела. В частности, кривые сложности выборки для прогнозирования подвижного интеллекта с помощью фМРТ и размера домохозяйства с помощью sMRI показывают, что мы, похоже, не близки к полному использованию прогностической информации, содержащейся в данных МРТ головного мозга. Обратите внимание, что некоторые цели прогнозирования (подвижный интеллект, размер домохозяйства и доход) не были доступны для всех испытуемых, поэтому n  = 8000 в некоторых случаях отсутствуют результаты. Наше наблюдение о том, что мощные модели машинного обучения до сих пор не могут превзойти линейные базовые уровни данных визуализации мозга, не ограничивается предсказанием пола или возраста, но распространяется и на более сложные цели предсказания. Столбики погрешностей = среднее ± 1 стандартное отклонение по 20 итерациям перекрестной проверки (все панели).

Полноразмерное изображение

При анализе данных визуализации мозга (рис. 2b, d, 4 и 5) мы наблюдали различное поведение масштабирования по сравнению с эталонными наборами данных машинного обучения для распространенных линейных моделей и методов нелинейного ядра. При разных видах сканирования мозга производительность модели сходилась по одному и тому же образцу наблюдений: для каждого размера выборки точность для всех исследованных моделей была в основном статистически неразличима. В этом примере крупнейшего в настоящее время набора данных визуализации мозга мы не наблюдали признаков насыщения точностью. То есть удвоение размера выборки дало стабильный, в основном неразличимый прирост точности. Например, для sMRI IDP (рис. 2b) при полном обучающем наборе из 8000 наблюдений лучшая модель ядра (полиномиальная SVM: 37,58 ± 2,08%) неотличима от худшей линейной модели (LDA: 38,26 ± 1,46%). Производительность линейных моделей (логистическая регрессия) выросла на 5,78 п.п. с 26. 02 ± 1,98% до 31,80 ± 1,92% (7,23 п.п. от 24,92 ± 1,81% до 32,14 ± 2,44% для RBF-SVM), от 100 до 1000 наблюдений, неотличимо от 4,97 п.п. (5,29 п.п. для RBF-SVM) для 1000–8000 наблюдений.

Качественно эквивалентные результаты наблюдались для разных методов уменьшения размерности (рис. 3a–c) в условиях регрессии и бинарной классификации (рис. 4) и, что важно, для разных целей прогнозирования — пола, возраста, изменчивого интеллекта, дохода домохозяйства. , размер домохозяйства и комбинированная переменная из десяти классов (рис. 2, 4 и 5). Эти результаты были подкреплены дополнительным анализом, который показал, что несколько высокопроизводительных оценщиков деревьев (например, случайные леса, чрезвычайно рандомизированные леса и деревья, повышающие градиент) также не могут превзойти наши линейные модели, основанные на изображениях мозга (дополнительный рисунок 1). В отличие от исследованных эталонных наборов данных машинного обучения, изображения мозга исследованных субъектов UKBB не показали ни насыщения точности в наших предсказаниях фенотипа с увеличением размера выборки, ни прироста производительности от ядерных моделей с более высокой выразительной способностью.

Производительность моделей DNN

Наконец, мы сравнили производительность моделей DNN с нашими данными визуализации мозга. Как полносвязные архитектуры нейронных сетей, так и распространенные варианты сверточных нейронных сетей систематически различались по производительности в наборах эталонных данных машинного обучения по сравнению с профилями точности в данных визуализации мозга. Первоначально мы провели положительный тест, чтобы подтвердить, что наши сверточные архитектуры нейронных сетей, как и ожидалось, ¹⁸ , успешно превзошли ядерные и линейные модели в классификации рака по гистологическим срезам ткани (дополнительный рисунок 2).

Полностью связанные нейронные сети превзошли все линейные модели и все, кроме самой эффективной модели ядра, в наборах данных MNIST и Fashion (рис. 2a, c). Те же наблюдения не были сделаны ни для одного из изученных представлений данных визуализации мозга. Что касается IDP sMRI и fMRI (рис. 2b, d), вокселей sMRI (рис. 3a–c) и целых срезов sMRI (рис. 3d–f), полностью связанные нейронные сети работают неотличимо от ядерных и линейных моделей. То же наблюдение справедливо и для нашего контрольного анализа регрессии и бинарной классификации (рис. 4).

Сверточные нейронные сети продемонстрировали аналогичное поведение при масштабировании. В наборах данных MNIST и Fashion сверточные нейронные сети превзошли самую эффективную модель ядра на 2,93 п.п. с 95,63 ± 0,79% до 98,56 ± 0,36% и на 3,44 п.п. от 85,63 ± 1,32% до 89,07 ± 1,20% соответственно на 8000 наблюдений (рис. 2а). Напротив, на срезах мозга с помощью МРТ сверточные нейронные сети не превзошли ни линейные, ни ядерные модели (рис. 3d–f). Центрально-аксиальные, коронарные и сагиттальные срезы дали сопоставимую точность предсказания для логистической регрессии (36,09).± 1,38%, 37,58 ± 1,81%, 37,35 ± 1,21% соответственно) и сверточных нейронных сетей (34,74 ± 1,65%, 36,52 ± 1,83% и 36,15 ± 1,82% соответственно). Таким образом, эталонные наборы данных машинного обучения и данные визуализации мозга отличались тем, что сверточные нейронные сети преуспели в первых, но не смогли улучшить более простые методы в последних.

В совокупности мы описали три важных способа, по которым прогностические модели систематически по-разному работали в наборах эталонных данных машинного обучения MNIST и Fashion, с одной стороны, и данных визуализации мозга, с другой. Во-первых, производительность линейных моделей насыщается по мере увеличения размера выборки в MNIST и Fashion (в меньшей степени ядерных и глубоких моделей), но не в прогнозировании ключевых фенотипических различий по данным визуализации мозга. Во-вторых, ядерные модели постоянно превосходили линейные модели в MNIST и Fashion, чего не было в нашем анализе прогнозирования межиндивидуальных демографических показателей и показателей образа жизни на основе изображений мозга. В-третьих, глубинные модели явно превзошли линейные и ядерные модели в MNIST и Fashion, но не в проведенном нами здесь анализе изображений мозга. Таким образом, наше количественное исследование может быть использовано для утверждения, что самый большой набор данных визуализации мозга, который в настоящее время находится в нашем распоряжении, по-прежнему не позволяет надежно прогнозировать фенотип путем использования сложных конфигураций в данных с использованием современных алгоритмов обучения образцам.

Производительность трехмерных сверточных моделей DNN

В рамках процесса пересмотра мы добавили прямое сравнение с современной трехмерной (3D) сверточной нейронной сетью ¹⁹ , которая была оценена на основе наш полный набор обучающих sMRI-сканирований ( n  = 8000) с использованием наших идентичных разделов перекрестной проверки. Эта архитектура нейронной сети заняла первое место в конкурсе прогнозной аналитики 2019 года по данным визуализации мозга (https://www.photon-ai.com/pac2019).). В наших настройках бинарной классификации (мужчины и женщины) трехмерная сверточная архитектура здесь достигла 98,93 ± 98,02/99,70% (доверительный интервал, учитывающий эффекты вариации выборки с охватом 95%), а наша простая линейная модель достигла 98,02 ± 96,77/99,08% (L2 -штрафованная логистическая регрессия, основанная на 1024 основных компонентах). В нашей настройке регрессии (прогнозирование возраста) трехмерная сверточная архитектура здесь достигла R ²  = 0,61 ± 0,56/0,66 (коэффициент детерминации), а наша линейная модель достигла R ²  = 0,61 ± 0,54/0,67 (линейная регрессия со штрафом L2 на основе 1024 основных компонентов). Дополнительные результаты с установленным алгоритмом полностью сверточной нейронной сети не изменили нашу картину результатов.

Влияние шума на нелинейную классификацию

Наконец, на изображения мозга, измеренные с помощью МРТ, вероятно, влияют несколько источников шума, включая тепловой шум, системный шум от оборудования для визуализации и шум от несвязанных физиологических процессов, таких как дыхание, а также другие факторы, не связанные со структурой или функцией мозга. Таким образом, интересующий сигнал от реальной ткани мозга представляет собой лишь часть общего измерения. Можно ожидать, что по сравнению с информационными изображениями из MNIST и Fashion изображения мозга будут иметь значительно более низкое отношение сигнал/шум.

Мы задались вопросом, может ли высокий уровень шума объяснить наблюдаемые различия в сложности выборки между эталонными наборами данных визуализации мозга и машинного обучения. С этой целью мы проанализировали, как изменяется сложность выборки MNIST при увеличении загрязнения изображений цифр аддитивным шумом. Мы извлекли восемь ведущих основных компонентов, которые отражают наибольшую дисперсию в данных MNIST, поскольку это привело к самым большим различиям в производительности между линейными и нелинейными моделями (дополнительный рисунок 3). Мы добавили отдельные источники независимого и одинаково распределенного гауссовского шума к каждой из скрытых переменных встраивания и использовали таким образом искаженные шумом проекции встраивания в качестве входных переменных в наш идентичный конвейер классификации.

Увеличение количества введенного шума с σ  = 0,5 до σ  = 5,0 показало два ключевых эффекта (рис. 6 и 7): во-первых, преднамеренное добавление случайного шума привело к постепенному сокращению разрыва между нелинейными моделями ядра и линейные модели. Во-вторых, растущий уровень шума снижал степень насыщения производительности прогнозирования при увеличении размера выборки. При σ  = 5,0 кривые сложности выборки (с идентичными рабочими процессами анализа) данных MNIST дали кривую эффективности прогнозирования, которая напоминала кривые масштабирования данных визуализации мозга в обоих этих аспектах (рис. 2): ядро и линейные модели работали неотличимо хорошо, а производительность прогнозирования явно не насыщалась. Эти наблюдения также были сделаны при добавлении шума к изображениям мозга при исключении или проведении предварительного сглаживания по Гауссу данных мозга (дополнительный рисунок 4). Эти количественные результаты будут совместимы с мнением о том, что МРТ-изображения мозга несут слишком много шума, чтобы использовать нелинейные отношения для мощных прогнозов фенотипа с использованием алгоритмов обучения при доступных в настоящее время размерах выборки.

Рис. 6: Добавление шума к изображениям MNIST приводит к поведению масштабирования, аналогичному поведению изображений мозга.

Мы извлекли восемь ведущих главных компонент из цифровых изображений (MNIST) и добавили гауссовский шум к каждому главному компоненту. Затем вложения основных компонентов использовались в качестве входных переменных для моделей (подробности см. В дополнительной информации) для прогнозирования метки класса (т. Е. Цифры). Увеличение количества шума с σ  = 0,5 до σ  = 5.0 повлек за собой два эффекта: во-первых, постепенное уменьшение разницы в производительности между нелинейными моделями ядра и линейными моделями. Во-вторых, растущий уровень шума на изображениях снижал степень насыщения производительности прогнозирования с увеличением размера выборки. При σ  = 5,0 кривые сложности выборки данных MNIST следовали той же схеме, которую мы наблюдали на изображениях мозга (рис. 2): ядерные и линейные модели работали неразличимо, а эффективность прогнозирования явно не насыщалась. Наши количественные результаты вызывают предварительное предположение о том, что данные МРТ-изображения мозга могут быть слишком зашумленными, чтобы можно было зафиксировать нелинейные отношения для прогнозирования фенотипа при доступных в настоящее время размерах выборки. Столбики погрешностей = среднее ± 1 стандартное отклонение по 20 итерациям перекрестной проверки (все панели).

Полноразмерное изображение

Рис. 7: Гауссов шум может привести к линеаризации границ решений.

Показывает простую задачу нелинейной бинарной классификации, состоящую из двух смесей гауссианов в двумерном пространстве с одинаковой изотропной ковариацией ( σ ). Выборки первого класса генерируются двумя гауссианами, отмеченными красными крестиками; выборки второго класса генерируются тремя гауссианами, отмеченными зелеными крестиками. В первой строке указана общая плотность вероятности для генерирующих смесей. Вторая строка указывает на равновероятность, т. е. ж ( х, у ) = | P _{красный} ( x, y ) −  P _{зеленый} ( x, y )| — области, в которых как красный, так и зеленый классы равновероятны (черные). Полученная черная граница, разделяющая смесь красных и зеленых цветов, представляет собой идеальную границу решения. Добавление гауссова шума, т. е. увеличение σ, постепенно превращает границу решения из сильно нелинейной U-образной формы ( σ  < 2) в линейную границу решения ( σ  > 2). Следовательно, в определенных сценариях данных высокие уровни гауссовского шума могут линеаризовать нерегулярную границу решения.

Полноразмерное изображение

Обсуждение

Предоставляют ли сегодняшние ядерные методы или алгоритмы DNN преимущества для предсказания фенотипа по изображениям мозга, опираясь на поверхностно-нелинейную или глубоко-нелинейную информацию? Можно ли повторить триумф ядерных и глубоких методов в наборах данных из сообщества машинного обучения в доступных в настоящее время наборах данных для визуализации мозга?

Наше исследование инициирует принципиальные ответы на эти все более важные вопросы. Мы профилировали степень, в которой сложные нелинейные отношения могут быть извлечены и использованы для повышения точности предсказания фенотипа по сравнению с линейными моделями в структурных и функциональных изображениях мозга из UKBB. Наш тщательный анализ выявил поведение масштабирования производительности прогнозирования с увеличением количества обучающих наблюдений для трех ключевых классов алгоритмов обучения: линейных, ядерных и глубоких моделей. Важно отметить, что сначала мы воспроизвели прирост производительности в нелинейных, а затем в иерархических нелинейных моделях, как сообщалось в тестах производительности машинного обучения. Такие улучшения в прогнозировании фенотипа за счет увеличения сложности модели не всегда были очевидны в самой большой в настоящее время когорте людей, проводящих визуализацию мозга.

Главный вывод нашего анализа касается траектории производительности линейных моделей с постепенно растущим размером выборки (т. е. эмпирической сложностью выборки). Наши результаты прогнозирования на основе данных визуализации мозга и эталонных наборов данных машинного обучения различались тем, что точность прогнозирования увеличивалась с доступностью данных дополнительных наблюдений. В наборах данных машинного обучения мы ожидали и действительно наблюдали насыщение производительности прогнозирования линейных моделей. Этот эффект был наиболее заметен при выполнении классификации цифр в MNIST с помощью логистической регрессии и LDA: эффективность прогнозирования быстро увеличивалась по мере того, как мы увеличивали размер выборки для построения модели со 100 до 1000 доступных изображений. Впоследствии точность предсказания приблизилась к плато. Мы практически не заметили какого-либо дополнительного улучшения точности предсказания при удвоении размера выборки с 4000 до 8000 примеров изображений.

Напротив, в нашем анализе сканов мозга этот шаг в количестве изображений, доступных для построения модели, привел к постоянному повышению эффективности прогнозирования для всех исследованных модальностей визуализации мозга и представлений данных. Используя различные протоколы МРТ для измерения мозговой ткани, мы определили, что увеличение числа субъектов с 4000 и более приводит к постоянному повышению точности прогнозирования. Важно отметить, что размер самых больших доступных в настоящее время репозиториев изображений мозга был недостаточным, чтобы насытить способность к обучению даже простых линейных моделей. Эти линейные модели здесь применялись многомерным образом, объединяя информацию о мозге из многих частей мозга для предсказания фенотипа 9.0335 20,21 . Наши результаты показывают, что, приближаясь к сканированию мозга, полученному от 10 000 субъектов, возможности предсказания обычных линейных моделей еще не полностью исчерпаны.

Мы считаем непокрытый резерв предсказания для режима линейного моделирования важным по нескольким причинам. Такое масштабирование дает новые аргументы в пользу распространенной критики, что в данных визуализации мозга, таких как МРТ, может содержаться ограниченная информация, которую можно с пользой использовать для прогнозирования в реальных приложениях ²¹ . Например, в случае фМРТ кровоток и оксигенация не обеспечивают немедленного считывания нейронной активности и работают в более крупнозернистых временных и пространственных масштабах, чем фактическая электрохимическая обработка информации в популяциях нейронов. Некоторые авторы утверждают, что «фМРТ так же далека, как кожно-гальваническая реакция или частота пульса от когнитивных процессов ²² ». Несмотря на эти предостережения, был сделан ряд обнадеживающих выводов. Например, можно показать, что функциональная связь мозга обеспечивает нейронный отпечаток пальца для точного прогнозирования межиндивидуальных различий в когнитивных способностях 9. 0335 23 . Тем не менее, такие многообещающие отчеты вызывают споры в нейробиологическом сообществе и были отмечены некоторыми исследователями как трудно воспроизводимые ²⁴ .

Наши результаты говорят в пользу более оптимистичного сценария интерпретации. Мы предполагаем, что нейробиологи еще не в полной мере используют прогностически полезную информацию в данных визуализации мозга. Даже простые линейные модели не достигли плато производительности в наших предсказаниях пола, возраста и других фенотипов на основе обычных измерений МРТ при нынешних размерах выборки. Таким образом, мы, вероятно, будем далеки от достижения пределов точности предсказания одного субъекта, используя данные визуализации мозга.

Наш вывод о неисчерпанном резерве линейного моделирования может иметь значительные последствия. Это связано с тем, что систематические оценки современного машинного обучения в визуализации мозга ^13,25,26 и большое количество исследований, применяющих сложные нелинейные модели в визуализации мозга, часто основывались на неявном предположении, что линейные эффекты уже достаточно охарактеризованы с их масштабированием прогнозирования. по мере увеличения размера выборки. Как правило, тщательная характеристика линейных эффектов обеспечивает прочную основу для сравнения с более сложными нелинейными моделями. Многие сложные методы машинного обучения можно рассматривать как расширения классической линейной регрессии. Если данных недостаточно для оценки параметров простой линейной модели, то еще менее вероятно, что параметры еще более требовательных к данным нелинейных моделей могут быть удовлетворительно оценены. Рекомендация, вытекающая из настоящего исследования, заключается в том, что регуляризованные линейные прогностические модели, вероятно, послужат отличной отправной точкой 9.0335 27 для предсказания одного субъекта в более крупных будущих наборах данных визуализации мозга в области здоровья и, возможно, также болезней в обозримом будущем.

Если в заданном наборе данных существуют нелинейные взаимосвязи между переменными, которые можно использовать для конкретной цели прогнозирования и доступного размера выборки, мы ожидаем повышения эффективности прогнозирования по мере обновления классических линейных моделей до всегда более выразительных моделей. В ходе ряда анализов мы подтвердили ожидаемое повышение производительности прогнозирования с ростом способности представлять сложные закономерности в одном из наиболее широко одобренных наборов данных эталонных показателей машинного обучения (классификация цифровых изображений в MNIST), а также в более сложном сопутствующем наборе данных (одежда классификация образов в моде). В частности, ядерные методы постоянно превосходили обычно используемые линейные модели с приростом точности 4,03 и 1,76 п.п. по MNIST и Fashion соответственно в среднем.

Наша способность количественно определять обнаружение нелинейных взаимопеременных конфигураций в MNIST и Fashion для различения десяти категорий изображений (десять цифр или типов одежды) подтверждает наше применение ядерных SVM в качестве жизнеспособного и эффективного инструмента для проверки существования прогнозирующих нелинейных конфигураций. закономерности в данных из домена визуализации мозга. Если информация, содержащаяся в этих измерениях мозга, сложным образом связана с целью прогнозирования, ожидается, что SVM с нелинейным расширением ядра будет надежно превосходить линейные модели при наличии сканирования мозга достаточного количества субъектов.

Однако мы не наблюдали систематического повышения точности предсказания при изучении изображений мозга из UKBB, хотя наше исследование эмпирически воспроизвело их при анализе наборов данных MNIST и Fashion. Мы обнаружили, что ни одна из трех нелинейных ядерных моделей явно не превосходила линейные модели при структурном или функциональном сканировании мозга. Этот вывод особенно очевиден в данных фМРТ, широко используемых для вычисления функциональной связи между областями и сетями мозга, где все изученные модели работают почти одинаково для размеров выборки, эмпирически смоделированных в нашем исследовании. Фактически, ядерные и линейные методы практически неотличимы в широком диапазоне анализов предсказания фенотипа данных визуализации мозга из крупнейшего в настоящее время набора биомедицинских данных — UKBB, разработанного для приблизительного представления населения Великобритании в целом. Аналогичный вывод по данным фМРТ был сделан несколько лет назад Cox et al. ²⁸ . Эти исследователи отметили, что «несмотря на множество возможных источников нелинейности в нейронных сигналах, нелинейные […] используемые SVM незначительно превосходили свои линейные аналоги».

Ограниченный выигрыш в производительности прогнозирования фенотипа за счет принятия все более сложных нелинейных моделей может оказаться общим свойством нескольких параметров анализа изображений мозга с размерами выборки порядка тысячи субъектов. Поэтому мы изучили различные нейробиологические измерения, полученные с помощью 3T-МРТ, что позволило получить представление об анатомии мозга и внутренней функциональной связи между областями мозга и крупномасштабными сетями мозга. Далее мы оценили различные репрезентативные окна сканирования мозга, от применения различных методов представления данных до функций, созданных вручную, до необработанных (одномерных) воксельных данных, до приложений проектирования/селекции признаков и функций всего мозга. Кроме того, мы рассмотрели различные цели прогнозирования, такие как возраст, пол и стратифицированные возрастные/половые группы, которые, как известно, объясняют большую изменчивость данных МРТ головного мозга 9. 0335 4 . Тем не менее, в нашем анализе канонических наборов данных машинного обучения, но не данных визуализации мозга, линейные модели достоверно превзошли все изученные нелинейные ядра. Даже легко предсказуемые фенотипы, такие как возраст и пол, не смогли продемонстрировать надежно улучшенную эффективность прогнозирования при переходе к текущим нелинейным моделям для выборок размером порядка тысячи субъектов. Таким образом, мы склонны предположить, что даже более сложные для определения и более сложные для измерения понятия, такие как IQ, способность к социальному познанию и диагнозы психического здоровья, редко могут достигать повышения производительности за счет развертывания более сложных моделей при аналогичных размерах выборки.

Таким образом, наше сравнительное исследование предоставляет новые количественные данные, касающиеся все более важного вопроса: насколько хорошо демографические факторы и факторы образа жизни могут быть получены из обычно получаемых сканов мозга? Тот факт, что большинство анализов показали очень сопоставимую точность предсказания между линейными моделями и моделями с расширениями ядра в изображениях мозга, допускает несколько возможных интерпретаций. С одной стороны, может случиться так, что в исследованных типах данных о мозге существует несколько заметных нелинейных взаимосвязей, которые полезны для прогнозирования межиндивидуальных различий в фенотипах. В этом случае можно было бы ожидать, что линейные модели будут более эффективными с точки зрения данных и извлечения важных шаблонов, которые необходимы для цели прогнозирования. С другой стороны, наши эмпирические симуляции, вызывающие шум, больше говорят о возможности того, что нелинейные конфигурации могут действительно существовать в наших данных визуализации мозга, но их нельзя легко использовать для достижения изученных целей прогнозирования фенотипа, учитывая размер доступных в настоящее время изображений мозга. репозитории. Нелинейные взаимодействия в данных визуализации мозга могут быть настолько сложными или зашумленными, что потребуется значительно больший размер выборки, чтобы надежно зафиксировать и использовать их на практике. Кроме того, линза, через которую представленные здесь нелинейные методы «видят» общие закономерности в данных, может не соответствовать типу нелинейности, присутствующему в этих типах сканирования мозга (т. Е. Несоответствию индуктивного смещения). В качестве ограничения настоящего исследования мы не можем дать окончательный ответ, какая из этих возможностей более уместна.

Как практическое следствие, нехватка пригодной для использования нелинейной структуры в наших данных визуализации мозга предполагает, что линейные модели будут продолжать играть центральную роль в качестве основного подхода к анализу сканирования мозга, такого как измерения МРТ, по крайней мере, в течение следующих лет ^2,8,13 . Дополнительная репрезентативная выразительность, которую обеспечивают современные нелинейные модели, достигается за счет более серьезного риска переобучения ²⁹ и, как правило, дополнительных проблем с интерпретируемостью решений моделирования ^8,30,31,32 . Наши эмпирические результаты показывают, что при размерах выборки, доступных на сегодняшний день, дополнительные затраты на реализацию одной из текущих более сложных моделей в вычислительных требованиях и технических знаниях редко могут быть оправданы теоретическим потенциалом достижения большей точности прогнозирования при обычном МРТ-сканировании мозга.

Наконец, мы обдумываем наши выводы относительно ценности современных алгоритмов DNN для нейробиологического сообщества визуализации. В существующей литературе по визуализации мозга выделяются три тенденции. Во-первых, следует отметить подозрительную нехватку опубликованных исследований МРТ или позитронно-эмиссионной томографии, которые недвусмысленно демонстрируют существенные выгоды от применения методов глубокого обучения. В соответствии с этим Виейра и его коллеги ²⁵ отметил, что «несмотря на успех [глубокого обучения] в нескольких научных областях, превосходство этого аналитического подхода в нейровизуализации еще предстоит продемонстрировать». В таких областях, как компьютерное зрение или обработка естественного языка, DNN уже значительно улучшили современные характеристики прогнозирования ^11,33 . Однако в применении анализа данных нейровизуализации подобная революция не произошла для большинства распространенных целей прогнозирования, несмотря на значительные усилия исследователей. Тем не менее, несколько успешных исключений продемонстрировали преимущества глубокого обучения, применяемого к данным нейровизуализации, по сравнению с традиционными подходами, например, для конкретных целей сегментации изображений 9.0335 18,34,35,36,37 и регистрация изображений ^38,39 .

Во-вторых, неоднократно обнаруживалось, что подходы глубокого обучения работают хуже или неотличимо хорошо по сравнению с более простыми базовыми моделями при прогнозировании демографических или поведенческих фенотипов ^13,40 . Например, Коул и др. ⁴⁰ показали, что глубокие сверточные нейронные сети не превосходят модели гауссовых процессов при прогнозировании возраста мозга на основе sMRI-сканирования мозга примерно у 2000 здоровых людей. Последовательно He et al. ¹³ обнаружил, что три разные архитектуры DNN не превосходят модели ядерной регрессии при прогнозировании различных фенотипов, включая возраст, подвижный интеллект и эффективность сопоставления пар на основе профилей связности всего мозга, полученных из сканирования мозга с помощью фМРТ. Более того, в задаче ABCD 2019 года регрессия гребня ядра превзошла подходы глубокого обучения в прогнозировании жидкостного интеллекта на основе данных sMRI ⁴¹ . В четырех лучших подходах к прогностическому моделированию также не использовалось глубокое обучение в задачах головастика для прогнозирования прогрессирования болезни Альцгеймера 9.0335 42 . В целом, даже многие сообщения о скромных улучшениях от использования DNN вызывают споры в сообществе специалистов по визуализации мозга.

В-третьих, вопреки ожиданиям многих ученых, преимущества алгоритмов машинного обучения, способных представлять сложные нелинейные отношения при визуализации мозга, по-видимому, уменьшаются или стагнируют при включении данных из большего количества источников или мест сбора данных. Это повторяющееся наблюдение предполагает переоснащение или возможную предвзятость публикации. Общее ожидание состоит в том, что улучшение построения модели с помощью дополнительных обучающих наблюдений должно повысить эффективность прогнозирования сложных нелинейных моделей, особенно при переходе от десятков или нескольких сотен к тысячам субъектов. Вопреки этому правдоподобному предположению, Арбабширани и соавт. ⁴³ отметил, что «отмеченная общая точность снижается с увеличением размера выборки при большинстве заболеваний». В частности, в контексте глубокого обучения Vieira et al. ²⁵ отметили, что «структура различий в производительности, по-видимому, не менялась систематически в зависимости от размера выборки». Ву и др. ²¹ пришли к выводу, что их «опрос выявляет доказательства такой предвзятости [публикации] в исследованиях прогнозного картирования». Было высказано предположение, что эти обстоятельства отражают растущую неоднородность больших выборок пациентов и межцентровые различия в процессе сбора данных. Тем не менее, эти соображения также ставят под сомнение большие надежды на использование приложений DNN для типов и количества данных визуализации мозга, которые существуют сегодня.

Наши результаты комплексного профилирования модели согласуются с этими более ранними отчетами и наблюдениями из предыдущих исследований нейронауки с визуализацией. Некоторые модели DNN неизменно превосходили все модели ядра и все линейные модели в нашем анализе наборов данных MNIST и Fashion. Мы не наблюдали подобных эффектов при анализе данных визуализации мозга. Здесь большинство моделей работали статистически неразличимо для нескольких исследованных методов визуализации, представления данных и прогнозируемых целевых фенотипов. Это отсутствие последовательности в различиях в производительности между классами моделей — в крупнейшем в настоящее время в мире наборе биомедицинских данных — поучительно. Настоящий нулевой результат подтверждает сообщения о возможности переобучения или предвзятости публикации в области визуализации мозга.

В тщательно контролируемых экспериментах даже нулевой результат может свидетельствовать об отсутствии. Однако из-за высокой гибкости глубокого обучения почти невозможно полностью изучить все возможные комбинации гиперпараметров и вариантов архитектуры модели ¹¹ . Поиск гиперпараметров требует значительных вычислительных ресурсов. Таким образом, в любом заданном эмпирическом исследовании можно разумно оценить только хорошо выбранное подмножество возможных комбинаций гиперпараметров. Таким образом, отрицательные результаты обучения DNN часто игнорируются, поскольку эти результаты оставляют открытой возможность недостаточной настройки гиперпараметров. Распространенной реакцией на отрицательный результат в глубоком обучении является оспаривание диапазона или детализации сетки гиперпараметров, либо сомнение в архитектуре модели или вариантах предварительной обработки данных. Мы понимаем, что те же самые возражения могут быть выдвинуты в отношении наших собственных результатов. Тем не менее, отсутствие пригодной для использования нелинейности для прогнозирования фенотипа также сохраняется, основываясь на результатах нашей линейной и ядерной модели только на МРТ-сканировании мозга, полностью игнорируя наши приложения глубокого обучения.

В предыдущей работе сообщества нейровизуалистов ¹³ были сделаны аналогичные заявления о том, что DNN не смогли успешно превзойти модели ядерной регрессии в случае прогнозирования поведения на основе функциональной связности. Тем не менее, их установка для экспериментального анализа, возможно, не сможет полностью опровергнуть критику недостаточной оптимизации гиперпараметров в глубоких моделях. Таким образом, наша работа представляет собой важное дополнение к существующей литературе, оказывая некоторую поддержку идее о том, что нельзя даже ожидать, что модели ядра для использования нелинейности превзойдут более простые линейные модели ^3,30 . Таким образом, препятствия на пути использования еще более сложной иерархической нелинейности можно было ожидать еще до наступления эры глубокого обучения в визуализации мозга.

Несмотря на то, что это все еще активная область исследований, обычно предпринимаются две теоретические попытки объяснить исключительную производительность DNN в различных приложениях; помимо математических доказательств того, что глубокие модели способны аппроксимировать произвольно сложные правила прогнозирования при наличии достаточных обучающих наблюдений (т. е. универсальная аппроксимационная теорема). Одна точка зрения утверждает, что иерархический, композиционный характер глубокого обучения позволяет особенно экономно представлять некоторые формы нелинейной структуры, встроенные в данные 9.0335 44,45 . По аналогии с картой мира земной шар можно рассматривать как составную часть континентов, которые делятся на страны, которые делятся на провинции, которые делятся на города и так далее. Эта иерархическая структура может быть эффективно представлена ​​несколькими слоями нелинейной обработки в моделях искусственных нейронных сетей, где отдельные слои соответствуют улицам, районам, городам и т. д. (но см. ссылку ⁴⁶ ). Та же вложенная структура применяется к человеческому языку и, таким образом, к письменному тексту и записанным речевым данным.

Исходя из этой концепции, следует ожидать, что DNN улучшат линейные модели и модели ядра в заданной области приложения, только если в данных существует иерархическая и нелинейная информация, которую можно использовать. По сравнению с ядерными методами ГНС, как правило, имеют на порядки больше параметров и часто требуют соответственно большого количества обучающих наблюдений. Многие недавние эмпирические успехи глубокого обучения в значительной степени связаны с растущей доступностью чрезвычайно больших наборов данных, особенно в областях, основанных на данных изображений и естественного языка в масштабе Интернета, а также доступности и доступности вычислений ¹¹ . Похоже, что ГНС нарушают теоремы теории статистического обучения в том смысле, что некоторые чрезмерно параметризованные модели по-прежнему необычайно хорошо обобщаются на новые наблюдения ⁴⁷ . Тем не менее, мы обычно ожидаем, что методы ядра потребуют меньшего количества обучающих наблюдений для извлечения полезной нелинейной структуры в данных ⁴⁸ . Кроме того, методы ядра обычно имеют лишь несколько гиперпараметров. Меньшее количество параметров сложности позволяет осуществлять более полный поиск оптимального модельного подпространства для имеющихся данных. Таким образом, учитывая их, возможно, более эффективную эмпирическую настройку гиперпараметров, методы ядра имеют практический потенциал для выбора экземпляров модели, которые лучше подходят для выявления и использования нелинейных взаимодействий, существующих в данных, в выборках меньшего размера, чем DNN. Однако обычные методы ядра не имеют возможности использовать сложные иерархии для эффективного представления закономерностей в данных. Таким образом, методы ядра, возможно, предпочтительнее, когда данные не содержат иерархическую структуру, которую можно использовать ¹³ .

Второе часто упоминаемое объяснение того, почему DNN могут превзойти более ранние количественные методы, касается сверточных DNN. Этот тип сети был специально разработан для обработки естественных изображений. Сверточные нейронные сети были слабо мотивированы организацией зрительной коры в том смысле, что отдельные нейроны реагируют на стимулы только в ограниченном рецептивном поле. Эти биологические модели используют локальность информации в изображениях — то, как соседние пиксели изображения описывают одно и то же явление. По грубой аналогии со зрительной корой сверточные нейронные сети состоят из иерархии слоев локально чувствительных детекторов признаков. В отличие от биологии зрительной коры, каждый детектор признаков перерабатывается — свертывается — для каждой позиции на изображении. Это повторное использование детекторов признаков в разных позициях приводит к встроенной предвзятости, называемой трансляционной инвариантностью. Например, детектор признаков, чувствительный к кошке, будет работать независимо от того, где кошка находится на изображении. Это индуктивное смещение для инвариантности к трансляции (см. Введение) вводит полезное и совместимое с предметной областью упрощение в анализе естественных изображений. Это потому, что трансляционная инвариантность является важным свойством физического мира: кошка остается кошкой независимо от того, где в пространстве находится животное.

Однако, в отличие от MNIST, Fashion и большинства других распространенных наборов данных компьютерного зрения, мозг имеет естественную осмысленную топографию, полученную на МРТ-изображении. Положение головы сканируемого человека в сканере и последующее сопоставление со стандартным пространством атласа широко распространено. Для большинства возможных целей прогнозирования нет необходимости в детекторе трансляционно-инвариантных признаков для проверки всего объема на наличие конкретного репрезентативного явления — любая данная область мозга расположена в заранее определенном, биологически значимом пространстве. Поэтому некоторые авторы могут счесть маловероятным, что сверточные нейронные сети могут неизменно улучшать производительность в предсказании фенотипа на основе изображений мозга стандартного разрешения в общем эталонном пространстве.

Важно отметить, что основной вывод из нашей настоящей работы , а не состоит в том, что ГНС никогда не станут полезным инструментом в области визуализации мозга. Например, мы ожидаем, что глубокие сверточные нейронные сети должны стать особенно полезными при моделировании аномалий, которые могут быть в любом месте мозга, например, для обнаружения опухолей головного мозга или количественной оценки аномальных поражений белого вещества при рассеянном склерозе ^35,49 . Глубокие сверточные нейронные сети также должны быть полезны для обслуживания сообщества нейробиологов путем сегментации данных мозга на биологически значимые территории, например, для определения анатомии корковых пластинок при сканировании мозга со сверхвысоким разрешением ³⁷ . В качестве еще одного возможного пути к более мощным предсказаниям поведения мозга новые репозитории нейровизуализации могут быть нацелены на гораздо меньшее количество субъектов, чем UKBB, с гораздо большим количеством измерений мозга для каждого субъекта в подходе точного картирования ^50,51,52 . Тем не менее, наши коллективные результаты предупреждают, что для различных приложений визуализации мозга использование новейших сверточных моделей DNN для ответов на вопросы нейробиологических исследований при нынешних размерах выборки может иметь небольшое преимущество.

Методы

Три справочных набора данных

Набор данных MNIST ¹⁵ может быть наиболее часто используемым справочным набором данных для исследований и разработок в сообществе машинного обучения. Его свойства хорошо изучены, поскольку в MNIST было протестировано большое количество моделей. Этот классический набор данных послужил удобной отправной точкой для настоящего исследования, позволив нам воспроизвести и количественно охарактеризовать различные свойства алгоритмов машинного обучения в контролируемых условиях. MNIST предоставляет 70 000 изображений рукописных цифр («0»–«9») для классификации на основе необработанной информации о пикселях. Каждое из этих изображений в градациях серого состоит из 28 × 28 пикселей, то есть всего 784 значения интенсивности на цифровое изображение.

Чтобы количественно охарактеризовать влияние более сложных шаблонов данных с более сложной целью прогнозирования, мы также профилировали наши прогностические модели на недавнем наборе данных Zalando Fashion («Fashion-MNIST» ¹⁶ ). Вместо рукописного текста набор данных состоит из изображений модных товаров в градациях серого. Изображения должны быть классифицированы по десяти типам одежды (например, футболка, свитер и платье). Иногда оказывается, что MNIST слишком легко предсказать для самых последних методов машинного обучения. Набор данных Fashion был создан с намерением обеспечить более сложную задачу распознавания образов, чем MNIST, при сохранении того же количества классов (10 категорий одежды), размерности признаков (интенсивность 784 пикселя) и размера выборки (70 000 изображений). Эта настройка удобно позволяла использовать одну и ту же архитектуру модели в обоих наборах эталонных данных машинного обучения и облегчала сравнение масштабирования производительности модели.

Наша цель состояла в том, чтобы сравнить известные свойства наборов данных MNIST и Fashion с обычными типами изображений мозга, полученных у людей (вместо исчерпывающего сравнительного анализа глубокого обучения в нейровизуализации в целом). Такое прямое сопоставление позволило определить параметры, в которых поведение модели распространяется от наборов данных машинного обучения до наборов данных визуализации мозга. Кроме того, эти анализы позволяют развить некоторые первые интуитивные представления об условиях, в которых не следует ожидать экстраполяции эффектов. Изображение UKBB было естественным выбором для мотивации наших экспериментов. Этот ресурс является крупнейшим существующим набором биомедицинских данных на сегодняшний день. Наш запрос данных в рамках инициативы UKBB по визуализации мозга предоставил структурные данные и данные фМРТ для примерно 10 000 субъектов с одного и того же сайта сканирования (см. эту иллюстрацию, чтобы получить представление о масштабе проблем с визуализацией мозга: https://www.youtube. com/watch?v=DbPNscjIC6U, номер заявки UKBB 25163, информацию о процедуре получения согласия можно найти на сайте biobank.ctsu.ox.ac.uk/crystal/field.cgi?id=200). Мы сосредоточили наш анализ на полном наборе лиц UKBB, которые одновременно предоставили данные обоих методов визуализации структуры мозга (sMRI) и функции (fMRI), в результате чего общий размер выборки составил 9 человек.300 точек данных с изображениями мозга.

Из выпуска UKBB мы собрали многогранный набор данных визуализации мозга, представляющих различные модальности и разные взгляды на данную модальность. Мы получили четыре рабочих набора данных на основе изображений мозга следующим образом: (а) внутренние колебания нейронной активности, измеренные по данным фМРТ, с предварительно вычисленным анализом независимых компонентов, дающим 100 пространственно-временно когерентных паттернов нейронной активности, что дает пространство признаков из 1485 сил связи между очищенные компоненты «сети», оцененные с помощью частичного корреляционного анализа. (b) Сто шестьдесят четыре характеристики, полученные из атласа, описывающие структурные (T1-взвешенные МРТ) области серого и белого вещества МРТ, а также сводную статистику волоконных путей. Как для оценки объема региона, так и для оценки микроструктуры пучков волокон биологически значимые признаки были предоставлены непосредственно UKBB в виде фенотипов, полученных на основе изображений 9.0335 4 . (c) Приблизительно 70 000 необработанных интенсивностей вокселей T1 после маскирования серого вещества. (d) Наконец, аксиальные, сагиттальные и корональные срезы Т1 в начале координат с разрешением 91 × 109, 91 × 91 и 91 × 109 вокселей соответственно. Более подробную информацию о сборе данных, предварительной обработке данных и IDP можно найти в другом месте ⁴ .

Для сопоставимости с наборами данных MNIST и Fashion из машинного обучения мы сгенерировали цель прогнозирования из 10 классов из всех возможных комбинаций двух полов и пяти возрастных квинтилей. То есть испытуемые UKBB были разделены на пять мужских подгрупп с четырьмя возрастными порогами от 40 до 70 лет и пять женских подгрупп с этими четырьмя возрастными порогами. Поскольку наш набор данных визуализации мозга предоставил в общей сложности 9300 человек с мультимодальной информацией об изображениях, во время нашего анализа, мы случайным образом разделили гораздо более крупные наборы данных MNIST и Fashion на тот же размер выборки в наших анализах.

Кроме того, мы использовали возраст испытуемых на момент сканирования и переменные UKBB: подвижный интеллект (поле 20016), количество людей в домохозяйстве (поле 709) и доход домохозяйства (поле 738) в качестве целей прогнозирования для регрессионного анализа. Хотя мы разработали задачи классификации изображений головного мозга с тем же количеством классов, признаков и примеров наблюдений, что и наборы данных MNIST и Fashion, все же ожидалось, что задачи классификации изображений мозга будут намного сложнее, чем задачи классификации, поставленные в MNIST и Мода.

Наши основные справочные наборы данных, MNIST и Fashion, предоставляют задачи классификации. Чтобы показать, что наши результаты и выводы переносятся в условия регрессии, мы дополнительно использовали набор данных «сверхпроводимость» ⁵³ в качестве эталонного набора данных регрессии (т. е. с целью непрерывного прогнозирования результатов). Здесь необходимо предсказать критическую температуру как функцию 82 физических свойств, таких как теплопроводность, атомный радиус и атомная масса.

Процедуры предварительной обработки

Во всех сценариях анализа входные переменные были должным образом стандартизированы путем масштабирования дисперсии до единицы и центрирования до нуля среднего значения по наблюдениям. В особом случае сверточных моделей DNN (см. ниже) изображения были стандартизированы по совокупной статистике пикселей, чтобы все пиксели находились в одном масштабе ⁵⁴ .

Для изображений sMRI мы применили дополнительный шаг уменьшения размерности с целью сопоставимости с MNIST и Fashion. Чтобы сложность модели была сопоставима между наборами данных (связанной с входными переменными и, следовательно, с количеством параметров модели, которые должны быть подобраны при построении модели прогнозирования), данные sMRI были сокращены до 784 функций, таких как MNIST/Fashion, путем уменьшения трехмерности. методы. Каждый из этих подходов к проверке функций следовал популярному, но отличному подходу к выбору функций / проектированию следующим образом 9.0335 11,55 : (a) одномерный выбор признаков (F-тесты) выбранных входных переменных в предположении статистической независимости между переменными. (b) Рекурсивное исключение признаков использовалось на четырех этапах логистической регрессии, на каждом из которых отбрасывались 25% наименее прогностических входных переменных текущего набора активных переменных на каждом этапе ⁵⁶ . Эта стратегия уменьшения размерности выбирает признаки при совместном рассмотрении текущего набора входных переменных. (c) Случайные проекции Гаусса использовались для повторного выражения исходных входных переменных в наборе скрытых факторов, которые зависят от лежащей в основе структуры низкого ранга по всему набору входных переменных ⁵⁷ .

Линейные модели

Концептуально три класса моделей — линейные, ядерные и глубинные — использовались для всесторонней оценки эффективности прогнозирования для каждого набора данных (т. е. MNIST, Fashion и UKBB). Каждый уровень сложности модели представляет собой современное состояние ключевой эпохи в анализе данных ⁹ : регуляризованные линейные модели для обработки большого количества входных переменных (~ 1990–2000 гг.), SVM ядра стали популярными методами для многих приложений в биоинформатика и не только с конца 1990-х (~2000–2010), а алгоритмы DNN, в свою очередь, совсем недавно (~2010–2020) стали экспоненциальной технологией. В каждом из этих отдельных классов моделей мы использовали три обычно используемые репрезентативные модели, пытаясь охватить диапазон подходов в каждом конкретном классе моделирования.

Для класса линейных методов мы выбрали LDA, логистическую регрессию и линейные SVM (без расширений ядра). LDA — это популярный генеративный классификатор, который находит линейные комбинации признаков, которые лучше всего служат для разделения классов среди наблюдений, что тесно связано с другими методами анализа на основе ковариаций, такими как PCA 9. 0335 58 . L2-регуляризованная логистическая регрессия ⁵⁹ и линейные SVM ⁶⁰ являются широко используемыми дискриминационными моделями и представляют собой часто выбираемые экземпляры обобщенных линейных моделей и линейных классификаторов с максимальным запасом соответственно. Штрафные условия для ограничений регуляризации были настроены с помощью поиска по сетке.

Нелинейные модели

На практике многие задачи классификации не являются линейно разделимыми в исходном пространстве переменных. Выделяемые классы могут стать разделимыми после нелинейного преобразования входных данных в репрезентативно более богатое многомерное пространство. Решение задачи прогнозирования в этом многомерном представлении, как правило, требует больших вычислительных ресурсов, и на практике стало более податливым с помощью ядерных методов.

Методы ядра ¹⁰ способны эффективно отображать многомерные входные пространства, никогда не вычисляя явно координаты всех точек данных в этом расширенном пространстве, а вместо этого полагаясь на попарное сходство между наблюдениями. Многие линейные методы можно распространить на нелинейный режим, применяя так называемый трюк с ядром. Возможно, наиболее популярными ядерными оценщиками являются варианты ядра SVM ¹⁰ . Эти расширения для встраивания функций до сих пор широко используются во многих областях приложений. Основные причины включают их хорошо понятные теоретические свойства, надежную оценку и часто конкурентоспособную реальную производительность. Класс ядерных подходов был и часто остается предпочтительным выбором для выявления и использования сложных нелинейных взаимодействий в той мере, в какой они существуют в данных.

Поэтому мы решили оценить SVM ядра с тремя наиболее часто используемыми типами ядра, а именно: (a) ядро ​​RBF, которое отображает данные в кривые нормального распределения, сосредоточенные вокруг наблюдений, и популярно отчасти из-за своей универсальной способности аппроксимации ⁶¹ . (b) Полиномиальное ядро, которое отображается в полиномиальные расширения исходных переменных, что сделало эти расширения переменных популярными при обработке текста с использованием обработки естественного языка, поскольку это входное расширение явно учитывает комбинации функций ⁶² . (c) Сигмоидальное ядро, которое отображается в гиперболический тангенс — аналогично функции активации, которая вносит нелинейность в единицы архитектуры DNN ¹¹ — и популярно благодаря своей связи с неглубокими искусственными нейронными сетями «персептрон» ^{63 ,64} . Эти три случая кернелизации для нелинейного обогащения информации о входных переменных, вероятно, наиболее часто используются и реализованы в основных пакетах программного обеспечения (например, scikit-learn).

Иерархически нелинейные модели

Во все большем числе областей применения однократное нелинейное расширение входных переменных заменяется моделями DNN. Являясь расширением линейных и ядерных методов, DNN могут извлекать и представлять еще более сложные закономерности в данных, используя автоматически выводимую иерархию нелинейных операций над набором входных переменных ¹¹ . Этот вложенный принцип проектирования позволяет обучающимся архитектурам выбирать все более абстрактные промежуточные представления из самих данных — форма автоматической разработки признаков, которая была статична в методах ядра 9. 0335 11 . Несмотря на то, что существуют более экзотические архитектуры искусственных нейронных сетей, полносвязные DNN и более поздние сверточные DNN являются одними из наиболее часто используемых типов.

Аналогично нашему анализу, основанному на линейных и ядерных моделях, мы оценили несколько распространенных архитектур DNN следующим образом:

(a) Алгоритмы полносвязных нейронных сетей: входной слой имеет p единиц для p -мерных входных данных. За входным слоем следовали два полностью связанных скрытых слоя по 800 единиц каждый с нелинейностями выпрямленной линейной единицы (ReLU) и вероятностью отсева 50%. За этими последовательными нелинейными операциями следовал последний полносвязный слой из 10 единиц, за которым следовала выходная функция softmax, соответствующая прогнозированию вероятности того, что целевые классы будут различимы.

(b) Для небольших ( p  = 28 × 28) изображений MNIST и Fashion сверточные DNN, состоящие из двух наборов сверточных слоев и слоев максимального объединения (с 16 и 32 фильтрами по 3 × 3 пикселя соответственно, 2 размер пула пикселей и нелинейность ReLU), за которым следует полностью связанный слой из 128 единиц с нелинейностями ReLU и последний полносвязный слой из 10 единиц с выводом softmax, соответствующим целевым классам. В большинстве руководств и примеров (например, для TensorFlow и PyTorch) используются варианты этих архитектурных строительных блоков.

(c) Для полноты мы реализовали третью архитектуру, в которой окончательная операция max-pooling заменена на GAP — популярный подход, позволяющий избежать переобучения за счет уменьшения общего количества параметров модели ^65,66 .

Для более крупных ( p  = ~100 × ~100) срезов изображения мозга мы вставили два дополнительных слоя свертки и максимального объединения, чтобы добиться достаточного уменьшения размерности перед подключением к выходному слою, генерирующему предсказание.

Параметры глубоких моделей обучены алгоритму оптимизации ADAM ⁶⁷ : 160 эпох, с 500 обновлениями градиента на эпоху, размер пакета 32, снижение скорости обучения на 0,5 после 3 эпох без улучшения, ранняя остановка после 10 эпох без улучшения. Все глубокие модели были обучены с зависимыми от тренировочного набора уровнями регуляризации L2 в качестве единственного гиперпараметра.

В процессе пересмотра мы также провели сравнение с современной трехмерной сверточной нейронной сетью ¹⁹ , которая была обучена на нашем полном наборе сканов МРТ ( n  = 8000) с использованием идентичных разделов перекрестной проверки. Мы использовали компьютерный код Пэна, чтобы применить архитектуру их алгоритма к рассмотренным здесь изображениям МРТ. Более подробную информацию о модели Пэна можно найти в их статье. Вкратце, эта архитектура модели была мотивирована VGGNet, но уменьшена до ~ 3 миллионов параметров модели. Среди семи блоков модели пять блоков включали 3 × 3 × 3 трехмерных сверточных слоя, пакетную нормализацию, максимальное объединение и слои активации ReLU. Блок 6 включал 1 × 1 × 1 3D-свертку, пакетную нормализацию и слои активации ReLU. Блок 7 включал средний пул, отсев 50% обучения, полностью подключенные слои и выходные слои softmax. Полные технические детали и полная реализация повторного использования этой трехмерной сверточной нейронной сети для изображений нашего мозга открыты для любого читателя по адресу https://github. com/maschulz/deeperbrain/tree/master/subanalyses/3d.

Важно отметить, что целью нашего исследования не было сравнение узкоспециализированных архитектур DNN из недавней литературы по нейровизуализации. Вместо этого мы решили полагаться на устоявшиеся передовые практики для реализации простых и понятных архитектур в качестве представителей широко используемых подходов к глубокому обучению.

Выбор модели и оценка модели

Для оценки точности прогноза, которую мы ожидаем получить в новых наблюдениях, отобранных из населения, перекрестная проверка была рассчитана как золотой стандарт для получения точности вне выборки ⁵⁵ . Мы неоднократно разделяли наблюдения, иногда называемые перекрестной проверкой Монте-Карло, на обучающий набор, а также на проверочный набор, используемый для выбора модели (т. анализ сложности выборки (см. ниже). В UKBB мы рассмотрели 9300 субъектов с интересующими изображениями мозга. Это случайное разбиение повторялось 20 раз в каждом сценарии моделирования. Набор для обучения, проверки и тестирования был составлен ровно один раз для каждого размера обучающей выборки и для каждой итерации разделения, так что разные модели работали с одними и теми же разбиениями данных.

Для выбора модели гиперпараметры обрабатывались в зависимости от данных с помощью поиска по сетке ¹¹ , отдельно для каждого набора данных, модели, размера обучающего набора и итерации разделения. Сетки гиперпараметров были настроены для каждой модели на основе передового опыта из литературы и выбраны эмпирически на основе относительной точности прогнозирования в проверочном наборе. LDA не имеет гиперпараметров для настройки. Для логистической регрессии и SVM параметр регуляризации C и гамма были разнесены по степени двойки. Что касается сеток гиперпараметров для ядерных моделей, коэффициенты полиномиальных и сигмоидальных ядер были равны −1, 0 или 1, а степень полиномиального ядра была установлена ​​равной 2. После того как была определена наилучшая комбинация гиперпараметров в сетке вариантов выбора, фактическая абсолютная точность оценивалась на невидимом тестовом наборе.

Хотя наши линейные и ядерные модели завершили выбор гиперпараметров и оценку параметров за несколько минут, DNN заняли на несколько порядков больше времени. Для вычислительной осуществимости ГНС были настроены только с учетом штрафа L2 на их параметры (0,0, 1e - 3, 1e - 5, 1e - 7 для сверточных ГНС и 1e - 4, 1e - 3,75,…, 1e - 0,5 для полностью подключенные DNN). Каждый архитектурный выбор, такой как использование отсева, фильтров или номеров единиц на уровне, скорости обучения, можно рассматривать как форму выбора гиперпараметра для модели, и потенциально его можно точно настроить. Фокус на настройке силы регуляризации чаще всего используется в литературе как золотая середина между полнотой и вычислительной осуществимостью ¹¹ . Обратите внимание, что все наборы-кандидаты на выбор гиперпараметров оценивались исключительно на данных проверочного набора. Кроме того, все многоклассовые анализы проводились по схемам «один против остальных» для сопоставимости ⁵⁵ . В отличие от других авторов ⁶⁸ , наше исследование не было сосредоточено на сравнительном анализе многозадачного обучения в данных МРТ. Несколько классических и успешных алгоритмов машинного обучения (например, SVM) ограничены бинарной классификацией по конструкции, что сводит на нет попытки четко отделить потенциальный выигрыш в производительности прогнозирования от используемой нелинейности и выигрыш от многозадачного обучения. Более того, наша схема настройки модели соответствовала непрерывной байесовской альтернативе поиску гиперпараметров (дополнительный рисунок 5) и устойчива к более подробным диагностическим тестам (дополнительный рисунок 6).

Анализ сложности выборки

Чтобы удовлетворить основную мотивацию настоящего исследования, мы количественно определили, как успех предсказания данной модели масштабируется в зависимости от размера выборки в текущем распоряжении. Для каждой модели и набора данных мы провели отдельный перекрестный анализ прогнозов для увеличения шагов размеров обучающей выборки: n  = 100, 200, 500, 1000, 2000, 4000 и 8000. Полученные оценки прогноза послужили основой для построения так называемая кривая обучения ^11,69 . Мы будем называть результирующее отношение между доступным количеством наблюдений и эффективностью прогнозирования сложностью эмпирической выборки данной модели в конкретном наборе данных и конкретной целью прогнозирования.

Такие кривые обучения алгоритмов распознавания образов обычно следуют закону обратной степени. Точность часто быстро возрастает в начале, а затем медленно достигает насыщения ¹¹ . Эти диагностические оценки обычно дополнительно характеризуются точкой насыщения и скоростью насыщения. Точка насыщения дает ощущение максимальной производительности, которой может достичь алгоритм прогнозирования, поскольку размер выборки продолжает расти до бесконечности, чтобы всегда было больше наблюдений. Масштабирование прогностической эффективности модели напрямую связано с отношением сигнал-шум данного набора данных и выразительной способностью данной модели ¹¹ . Скорость насыщения указывает, сколько наблюдений необходимо для достижения максимальной эффективности прогнозирования, и дополнительно связана со сложностью целевой функции, которая должна быть аппроксимирована моделью в наборе данных. Различное поведение масштабирования линейных, ядерных и глубоких моделей может определить, в какой степени в данных присутствует полезная нелинейная структура, и при каких размерах выборки такая нелинейная информация становится практически значимой для реализации лучших прогнозов фенотипа.

Сводка отчета

Дополнительную информацию о дизайне исследования можно найти в Сводке отчета об исследовании природы, связанной с этой статьей.

Ссылки

1. Устрашающие данные. Природа 539 , 467–468 (2016).

2. Смит, С. М. и Николс, Т. Е. Статистические проблемы в нейровизуализации человека «больших данных». Нейрон 97 , 263–268 (2018).

   КАС Статья Google ученый

3. Бздок Д. и Йео Б. Т. Т. Вывод в эпоху больших данных: будущие перспективы нейронауки. Нейроизображение 155 , 549–564 (2017).

   Артикул Google ученый

4. Миллер, К. Л. и др. Мультимодальная популяционная визуализация мозга в проспективном эпидемиологическом исследовании UK Biobank. Нац. Неврологи. 19 , 1523–1536 (2016).

   КАС Статья Google ученый

5. Бздок, Д. Классическая статистика и статистическое обучение в нейробиологии изображений. Фронт. Неврологи. 11 , 543 (2017).

   Артикул Google ученый

6. Маркуанд, А. Ф., Резек, И., Буителаар, Дж. и Бекманн, К. Ф. Понимание гетерогенности в клинических когортах с использованием нормативных моделей: помимо исследований случай-контроль. биол. Психиатрия 80 , 552–561 (2016).

   Артикул Google ученый

7. Марблстоун А. Х., Уэйн Г. и Кординг К. П. На пути к интеграции глубокого обучения и нейронауки. Фронт. вычисл. Неврологи. 10 , 94 (2016).

   Артикул Google ученый

8. Бздок, Д. и Иоаннидис, Дж. П. А. Исследование, выводы и прогнозы в неврологии и биомедицине. Trends Neurosci. 42 , 251–262 (2019).

   КАС Статья Google ученый

9. Эфрон, Б. и Хасти, Т. Статистический вывод компьютерного века (Cambridge Univ. Press, 2016).

10. Шёлкопф, Б., Смола, А. Дж. Обучение с помощью ядер: машины опорных векторов, регуляризация, оптимизация и не только (MIT Press, 2002).

11. «>

    Гудфеллоу И., Бенжио Ю. и Курвиль А. Глубокое обучение (MIT Press, 2016).

12. Гириес Р., Сапиро Г. и Бронштейн А. М. Глубокие нейронные сети со случайными гауссовскими весами: универсальная стратегия классификации? Препринт на arXiv: 1504.08291 (2015).

13. Хе, Т. и др. Превосходят ли глубокие нейронные сети ядерную регрессию в предсказании поведения функциональной связностью? Нейроизображение 206 , 116276 (2020 г.).

    Артикул Google ученый

14. Тихонов А.Н. в ДАН Том. 151, с. 501–504 (Российская академия наук, 1963).

15. Лекун Ю., Боттоу Л., Бенжио Ю. и Хаффнер П. Градиентное обучение применительно к распознаванию документов. Проц. IEEE 86 , 2278–2324 (1998).

    Артикул Google ученый

16. «>

    Xiao, H., Rasul, K. & Vollgraf, R. Fashion-MNIST: новый набор данных изображений для сравнительного анализа алгоритмов машинного обучения. Препринт на arXiv: 1708.07747 (2017).

17. ЛеКун, Ю. и Кортес, К. База данных рукописных цифр MNIST, http://yann.lecun.com/exdb/mnist/ (2010).

18. Kather, J. N. et al. Глубокое обучение может прогнозировать микросателлитную нестабильность непосредственно на основании гистологии рака желудочно-кишечного тракта. Нац. Мед. 25 , 1054–1056 (2019).

    КАС Статья Google ученый

19. Peng, H. et al. Точное предсказание возраста мозга с помощью облегченных глубоких нейронных сетей. Препринт на bioRxiv (2020).

20. Хейнс, Дж.-Д. Учебник по шаблонным подходам к фМРТ: принципы, ловушки и перспективы. Нейрон 87 , 257–270 (2015).

    КАС Статья Google ученый

21. Ву, К.-В., Чанг, Л.Дж., Линдквист, М.А. и Вейджер, Т.Д. Создание лучших биомаркеров: модели мозга в трансляционной нейровизуализации. Нац. Неврологи. 20 , 365–377 (2017).

    КАС Статья Google ученый

22. Уттал, В. Р. Разум и мозг: критическая оценка когнитивной нейронауки (MIT Press, 2011).

23. Финн, Э. С. и др. Функциональное снятие отпечатков пальцев коннектома: идентификация людей с использованием моделей связей мозга. Нац. Неврологи. 18 , 1664–1671 (2015).

    КАС Статья Google ученый

24. Крушвитц, Дж. Д., Уоллер, Л., Деделоу, Л. С., Уолтер, Х. и Вир, И. М. В целом, кристаллизованный и изменчивый интеллект не связан с функциональной эффективностью глобальной сети: исследование репликации с данными Human Connectome Project 1200 установлен. Нейроизображение 171 , 323–331 (2018).

    КАС Статья Google ученый

25. Виейра, С., Пиная, У. Х. Л. и Мечелли, А. Использование глубокого обучения для исследования коррелятов нейровизуализации психических и неврологических расстройств: методы и приложения. Неврологи. Биоповедение. 74 , 58–75 (2017).

    Артикул Google ученый

26. Плис, С. М. и др. Глубокое обучение для нейровизуализации: проверочное исследование. Фронт. Неврологи. 8 , 229 (2014).

    Артикул Google ученый

27. Wehbe, L., Ramdas, A. & Steorts, R.C. Регуляризованное чтение мозга с уменьшением и сглаживанием. Энн. заявл. Стат . 9 , 1997–2022 (2015).

28. Кокс, Д. Д. и Савой, Р. ФМРТ-чтение мозга: обнаружение и классификация распределенных паттернов фМРТ-активности в зрительной коре человека. Neuroimage 19 , 261–270 (2003).

    Артикул Google ученый

29. Varoquaux, G. et al. Оценка и настройка декодеров мозга: перекрестная проверка, предостережения и рекомендации. Нейроизображение 145 , 166–179 (2017).

    Артикул Google ученый

30. Бздок Д., Николс Т. Э. и Смит С. М. На пути к алгоритмической аналитике крупномасштабных наборов данных. Нац. Мах. Интел. 1 , 296–306 (2019).

    Артикул Google ученый

31. Лундберг С. М. и Ли С. -И. в Достижения в нейронных системах обработки информации 30 (ред. Гайон, И. и др.) 4765–4774 (Curran Associates, Inc., 2017).

32. «>

    Чен Дж., Сонг Л., Уэйнрайт М. Дж. и Джордан М. И. Учимся объяснять: теоретико-информационный взгляд на интерпретацию моделей. Препринт на arXiv: 1802.07814 (2018).

33. ЛеКун Ю., Бенжио Ю. и Хинтон Г. Глубокое обучение. Природа 521 , 436–444 (2015).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

34. Чой, Х. и Джин, К. Х. Быстрая и надежная сегментация полосатого тела с использованием глубоких сверточных нейронных сетей. J. Neurosci. Методы 274 , 146–153 (2016).

    Артикул Google ученый

35. Камницас К. и др. Эффективная многомасштабная 3D CNN с полностью подключенной CRF для точной сегментации поражений головного мозга. Мед. Анальный образ. 36 , 61–78 (2017).

    Артикул Google ученый

36. «>

    Ли, Х. и др. Полностью сверточные сетевые ансамбли для сегментации гиперинтенсивности белого вещества на МР-изображениях. Нейроизображение 183 , 650–665 (2018).

    Артикул Google ученый

37. Wagstyl, K. et al. Трехмерный атлас слоев коры BigBrain: градиенты толщины коры и ламинарного слоя расходятся в сенсорной и моторной коре. ПЛОС Биол. 18 , e3000678 (2020).

    КАС Статья Google ученый

38. Балакришнан Г., Чжао А., Сабунку М. Р., Гуттаг Дж. и Далка А. В. Модель обучения без учителя для регистрации деформируемых медицинских изображений. В проц. Конф. IEEE. Компьютерное зрение и распознавание образов 9252–9260 (openaccess.thecvf.com, 2018 г.).

39. Ян, X., Квитт, Р., Стайнер, М. и Нитхаммер, М. Quicksilver: быстрая прогностическая регистрация изображений — подход к глубокому обучению. Нейроизображение 158 , 378–396 (2017).

    Артикул Google ученый

40. Cole, J. H. et al. Прогнозирование возраста мозга с помощью глубокого обучения на основе необработанных данных визуализации дает надежный и наследуемый биомаркер. Нейроизображение 163 , 115–124 (2017).

    Артикул Google ученый

41. Михалик А. и др. Конкурс нейрокогнитивных прогнозов ABCD 2019: прогнозирование индивидуальных показателей жидкостного интеллекта по структурной МРТ с использованием вероятностной сегментации и регрессии гребня ядра. Препринт на arXiv: 1905.10831 (2019).

42. Маринеску, Р. В. и др. Задача «ГОЛОВАСТИК»: предсказание продольной эволюции болезни Альцгеймера. Препринт на arXiv: 1805.03909 (2018).

43. Арбабширани, М. Р., Плис, С., Суи, Дж. и Калхун, В. Д. Прогнозирование нарушений головного мозга с помощью нейровизуализации для одного субъекта: обещания и подводные камни. Нейроизображение 145 , 137–165 (2017).

    Артикул Google ученый

44. Bengio, Y. & Lecun, Y. в Крупномасштабные машины для производства ядер . 34, 1–41 (MIT Press, 2007).

45. Мхаскар Х., Ляо К. и Поджио Т. Когда и почему глубокие сети лучше мелких? В 31-й АААИ конф. Искусственный интеллект (aaai.org, 2017 г.).

46. Brendel, W. & Bethge, M. Аппроксимация CNN с помощью моделей Bag-of-local-Features на удивление хорошо работает в ImageNet. Препринт на arXiv:1904.00760 (2019).

47. Чжан К., Бенжио С., Хардт М., Рехт Б. и Виньялс О. Понимание глубокого обучения требует переосмысления обобщения. Препринт на arXiv: 1611.03530 (2016).

48. «>

    Кламбауэр Г., Унтертинер Т., Майр А. и Хохрайтер С. Самонормализующиеся нейронные сети. Препринт на arXiv: 1706.02515 (2017).

49. Шах, М. и др. Оценка нормализации интенсивности на МРТ головного мозга человека с рассеянным склерозом. Мед. Анальный образ. 15 , 267–282 (2011).

    Артикул Google ученый

50. Гордон Э. М. и др. Точное функциональное картирование отдельных человеческих мозгов. Нейрон 95 , 791–807.e7 (2017).

    КАС Статья Google ученый

51. Брага, Р. М. и Бакнер, Р. Л. Параллельные встречно-распределенные сети внутри человека, оцениваемые по внутренней функциональной связности. Нейрон 95 , 457–471.e5 (2017).

    КАС Статья Google ученый

52. «>

    Хут, А. Г., де Хеер, В. А., Гриффитс, Т. Л., Теуниссен, Ф. Э. и Галлант, Дж. Л. Естественная речь раскрывает семантические карты коры головного мозга человека. Природа 532 , 453–458 (2016).

    ОБЪЯВЛЕНИЕ Статья Google ученый

53. Hamidieh, K. Статистическая модель, управляемая данными, для прогнозирования критической температуры сверхпроводника. Вычисл. Матер. науч. 154 , 346–354 (2018).

    КАС Статья Google ученый

54. Хе, Т. и др. Bag of Tricks для классификации изображений с помощью сверточных нейронных сетей. Препринт на arXiv: 1812.01187 (2018).

55. Хасти, Т., Тибширани, Р. и Фридман, Дж. Элементы статистического обучения: интеллектуальный анализ данных, вывод и прогнозирование . 2-е изд. (Springer Science & Business Media, 2009 г. ).).

56. Гайон И., Уэстон Дж., Барнхилл С. и Вапник В. Отбор генов для классификации рака с использованием машин опорных векторов. Маха. Узнайте 46 , 389–422 (2002).

    Артикул Google ученый

57. Бингхэм, Э. и Маннила, Х. Случайная проекция в уменьшении размерности: приложения к изображениям и текстовым данным. В проц. 7-й ACM SIGKDD Int. конф. по открытию знаний и интеллектуальному анализу данных. 245–250 (АКМ, 2001).

58. McLachlan, GJ Дискриминантный анализ и распознавание статистических образов (Wiley, 2005).

59. Крамер, Дж. С. Истоки логистической регрессии https://doi.org/10.2139/ssrn.360300 (2002).

60. Кортес, К. и Вапник, В. Сети опорных векторов. Маха. Учиться. 20 , 273–297 (1995).

    МАТЕМАТИКА Google ученый

61. «>

    Wang, J., Chen, Q. & Chen, Y. в Advances in Neural Networks – ISNN 2004 512–517 (Springer, Berlin, 2004).

62. Глиоццо, А. и Страппарава, К. Семантические области в компьютерной лингвистике . (Springer Science & Business Media, 2009 г.).

63. Лин Х.-Т. и Лин, К.-Дж. Исследование сигмовидных ядер для SVM и обучение ядер, отличных от PSD, методами типа SMO. Нейронные вычисления. 3 , 1–32 (2003).

    ОБЪЯВЛЕНИЕ Google ученый

64. Collobert, R. & Bengio, S. Связи между персептронами, MLP и SVM. В проц. 21-й междунар. конф. по машинному обучению 23 (ACM, 2004).

65. Лин, М., Чен, К. и Ян, С. Сеть в сети. Препринт на arXiv: 1312.4400 (2013).

66. He, K., Zhang, X., Ren, S. & Sun, J. Глубокое остаточное обучение для распознавания изображений. В Проц. Конф. IEEE. по компьютерному зрению и распознаванию образов 770–778 (IEEE, 2016).

67. Кингма, Д. П. и Ба, Дж. Адам: метод стохастической оптимизации. Препринт на arXiv: 1412.6980 (2014).

68. Аброл, А. и др. Ажиотаж против надежды: глубокое обучение кодирует более предсказуемые и надежные изображения мозга, чем стандартное машинное обучение. Препринт на bioRxiv (2020).

69. Абрахам, А. и др. Получение воспроизводимых биомаркеров из данных о состоянии покоя с нескольких сайтов: пример на основе аутизма. Нейроизображение 147 , 736–745 (2017).

    Артикул Google ученый

70. Dosenbach, N.U.F. et al. Прогнозирование индивидуальной зрелости мозга с помощью фМРТ. Наука 329 , 1358–1361 (2010).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

Ссылки для скачивания

Осязаемые изображения: эффекты точки зрения и линейная перспектива для людей с нарушениями зрения

. 2002;31(6):747-69.

дои: 10.1068/p3253.

Мортон А Хеллер ¹ , Денин Д Брэкетт, Эрик Скроггс, Хизер Стеффен, Ким Хезерли, Шана Салик

принадлежность

• ¹ Факультет психологии, Университет Восточного Иллинойса, Чарльстон 61920, США.

• PMID: 12092800
• DOI: 10.1068/p3253

Мортон А. Хеллер и др. Восприятие. 2002.

. 2002;31(6):747-69.

дои: 10. 1068/p3253.

Авторы

Мортон А. Хеллер ¹ , Денин Д Брэкетт, Эрик Скроггс, Хизер Стеффен, Ким Хизерли, Шана Салик

принадлежность

• ¹ Факультет психологии, Университет Восточного Иллинойса, Чарльстон 61920, США.

• PMID: 12092800
• DOI: 10.1068/p3253

Абстрактный

В серии экспериментов изучалось восприятие изображений рельефных линий у слеповидящих, врожденно слепых, позднеослепших и слабовидящих испытуемых. Основная цель исследования состояла в том, чтобы изучить значение перспективных рисунков для тактильных изображений и людей с нарушениями зрения. В эксперименте 1 испытуемые ощупывали две деревянные доски, соединенные под углом 45 градусов, 90 градусов или 135 градусов, и им было предложено выбрать правильный перспективный рисунок из четырех вариантов. В первом эксперименте с перспективой был обнаружен значительный эффект зрительного статуса с гораздо более высокими показателями у испытуемых с плохим зрением. Средние показатели у слепых от рождения испытуемых существенно не отличались от показателей поздно слепых и зрячих с завязанными глазами. В другом эксперименте испытуемые с завязанными глазами рисовали осязаемые изображения трехмерных (3-D) геометрических тел, а затем выполняли задание на сопоставление. Вопреки ожиданиям, производительность трехмерных чертежей не ухудшилась по сравнению с фронтальными точками обзора. Испытуемые также были особенно быстрыми и точными при сопоставлении видов сверху. Эксперимент 5 показал, что вид сверху был самым простым для всех слабовидящих испытуемых, в том числе слепых от рождения. Эксперимент 5 показал более высокую производительность для 3D, чем для фронтальных точек обзора. Результаты всех экспериментов согласовывались с идеей о том, что визуальный опыт не нужен для понимания перспективных рисунков геометрических объектов.

Похожие статьи

• Влияние точки зрения и деталей объекта у слепых людей при сопоставлении изображений со сложными объектами.

  Хеллер М.А., Риддл Т., Фулкерсон Э., Уэмпл Л., Уок А.М., Гатри С., Кранц С., Клаус П. Хеллер М.А. и соавт. Восприятие. 2009;38(8):1234-50. дои: 10.1068/p5596. Восприятие. 2009. PMID: 19817155

• Изготовление и интерпретация перспективных рисунков слепыми и зрячими людьми.

  Хеллер М.А., Калькатерра Дж.А., Тайлер Л.А., Берсон Л.Л. Хеллер М.А. и соавт. Восприятие. 1996;25(3):321-34. дои: 10.1068/p250321. Восприятие. 1996. PMID: 8804095

• Точка зрения и ориентация влияют на распознавание изображений у слепых.

  Хеллер М.А., Кеннеди Дж.М., Кларк А., Маккарти М., Боргерт А., Уэмпл Л., Фулкерсон Э., Каффель Н., Дункан А., Риддл Т. Хеллер М.А. и соавт. Восприятие. 2006;35(10):1397-420. дои: 10.1068/p5460. Восприятие. 2006. PMID: 17214384

• Тактильное восприятие изображения у зрячих и слепых людей.

  Хеллер Массачусетс. Хеллер М.А. Поведение мозга Res. 2002 г., 20 сентября; 135 (1–2): 65–8. doi: 10.1016/s0166-4328(02)00156-0. Поведение мозга Res. 2002. PMID: 12356435 Обзор.

• Зрительное восприятие при «плохом зрении».

  Хюваринен Л. Хюваринен Л. Восприятие. 1999;28(12):1533-7. дои: 10.1068/p2856. Восприятие. 1999. PMID: 10793885 Обзор.

Посмотреть все похожие статьи

Цитируется

• Разгибание ног танцора: увеличение углов показывает движение.

  Мастандреа С., Кеннеди Дж.М. Мастандреа С. и др. Фронт Псих. 2022 4 января; 12:706004. дои: 10.3389/fpsyg.2021.706004. Электронная коллекция 2021. Фронт Псих. 2022. PMID: 35058830 Бесплатная статья ЧВК.

• Тактильное распознавание объектов не зависит от вида у слепых, но не у зрячих людей.

  Окчелли В., Лейси С., Стивенс С., Джон Т., Сатиан К. Окчелли В. и др. Восприятие. 2016 март; 45(3):337-45. дои: 10.1177/0301006615614489. Epub 2015 3 ноября. Восприятие. 2016. PMID: 26562881 Бесплатная статья ЧВК.

• Перцептивное обучение независимости от взгляда в зрительно-тактильных представлениях объектов.

  Лейси С., Паппас М., Крепс А., Ли К., Сатиан К. Лейси С. и др. Опыт Мозг Res. 2009 г., сен; 198 (2–3): 329–37. doi: 10.1007/s00221-009-1856-8. Epub 2009 31 мая. Опыт Мозг Res. 2009. PMID: 19484467 Бесплатная статья ЧВК.

• Доказательства основанного на проприоцепции механизма быстрой онлайн-коррекции ошибок для ориентации рук во время движений дотягивания у слепых субъектов.

  Госселин-Кессиби Н., Каласка Ж.Ф., Мессье Ж. Госселин-Кессиби Н. и соавт. Дж. Нейроски. 2009 18 марта; 29 (11): 3485-96. doi: 10.1523/JNEUROSCI.2374-08.2009. Дж. Нейроски. 2009. PMID: 19295154 Бесплатная статья ЧВК.

• Кросс-модальное распознавание объектов не зависит от точки обзора.

  Лейси С., Питерс А., Сатиан К. Лейси С. и др. ПЛОС Один. 2007 г., 12 сентября; 2(9):e890. doi: 10.1371/journal.pone.0000890. ПЛОС Один. 2007. PMID: 17849019 Бесплатная статья ЧВК.

Типы публикаций

термины MeSH

Грантовая поддержка

• R01 EY12040/EY/NEI NIH HHS/США

Линейные изображения городского пейзажа различных векторных изображений

Линейные изображения городского пейзажа различных векторных изображений

org/BreadcrumbList»>
1. лицензионные векторы
2. Строительство векторов

ЛицензияПодробнее

Стандарт Вы можете использовать вектор в личных и коммерческих целях. Расширенный Вы можете использовать вектор на предметах для перепродажи и печати по требованию.

Тип лицензии определяет, как вы можете использовать этот образ.

	стд.	Расшир.
Печатный/редакционный
Графический дизайн
Веб-дизайн
Социальные сети
Редактировать и модифицировать
Многопользовательский
Товары для перепродажи
Печать по требованию

Способы покупкиСравнить

Плата за изображение € 14,99 Кредиты € 1,00 Подписка € 0,69

Оплатить стандартные лицензии можно тремя способами. Цены евро евро .

Оплата с помощью	Цена изображения
Плата за изображение € 14,99 Одноразовый платеж
Предоплаченные кредиты € 1 Загружайте изображения по запросу (1 кредит = 1 евро). Минимальная покупка 30р.
План подписки Из 0,69 € Выберите месячный план. Неиспользованные загрузки автоматически переносятся на следующий месяц.

Способы покупкиСравнить

Плата за изображение € 39,99 Кредиты € 30,00

Существует два способа оплаты расширенных лицензий. Цены евро евро .

Оплата с помощью

Стоимость изображения

Плата за изображение € 39,99 Оплата разовая, регистрация не требуется. No related posts. alexxlab Разное Рено дастер приборная панель описание индикаторов: Описание значков на панели приборов на Рено Дастер alexxlab 21.09.2023 0 Разное Юпитер 8м 2 50: Объектив Юпитер-8 50 mm f/ 2 Характеристики, MTF, отзывы, обзоры, тесты :: Lens-Club.ru alexxlab 21.09.2023 0 Разное Применение квадрокоптеров: Популярные сферы применения квадрокоптеров — Статья alexxlab 20.09.2023 0 Разное Оригинальные фотки: Оригинальные картинки на аву (100 фото) • Прикольные картинки и позитив alexxlab 20.09.2023 0 Разное Speedlight sb 500: б.у. Накамерный осветитель Nikon Speedlight SB-500 alexxlab 19.09.2023 0 Разное Фигуры из полотенец: 17 клевых фигур из полотенец, которые вы могли не видеть в отелях alexxlab 19.09.2023 0 Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт