Все выпуски

Появление технологий лазерного сканирования произвело настоящую революцию в лесном хозяйстве. Их использование позволило перейти от изучения лесных массивов с помощью ручных измерений к компьютерному анализу точечных стереоизображений, называемых облаками точек.

Автоматическое вычисление некоторых параметров деревьев (таких как диаметр ствола) по облаку точек требует удаления точек листвы. Для выполнения этой операции необходима предварительная сегментация стереоизображения на классы «листва» и «ствол». Решение этой задачи зачастую включает использование методов машинного обучения.

Одним из самых популярных классификаторов, используемых для сегментации стереоизображений деревьев, является случайный лес. Этот классификатор достаточно требователен к объему памяти. В то же время размер модели машинного обучения может быть критичным при необходимости ее пересылки, что требуется, например, при выполнении распределенного обучения. В данной работе ставится цель найти классификатор, который был бы менее требовательным по памяти, но при этом имел бы сравнимую точность сегментации. Поиск выполняется среди таких классификаторов, как логистическая регрессия, наивный байесовский классификатор и решающее дерево. Кроме того, исследуется способ уточнения сегментации, выполненной решающим деревом, с помощью логистической регрессии.

Эксперименты проводились на данных из коллекции университета Гейдельберга. Было показано, что классификация с помощью решающего дерева, корректируемая с помощью логистической регрессии, способна давать результат, лишь немного проигрывающий результату случайного леса по точности, затрачивая при этом меньше времени и оперативной памяти. Разница в сбалансированной точности составляет не более процента на всех рассмотренных облаках, при этом суммарный размер и время предсказания классификаторов решающего дерева и логистической регрессии на порядок меньше, чем у случайного леса.

The advent of laser scanning technologies has revolutionized forestry. Their use made it possible to switch from studying woodlands using manual measurements to computer analysis of stereo point images called point clouds.

Automatic calculation of some tree parameters (such as trunk diameter) using a point cloud requires the removal of foliage points. To perform this operation, a preliminary segmentation of the stereo image into the “foliage” and “trunk” classes is required. The solution to this problem often involves the use of machine learning methods.

One of the most popular classifiers used for segmentation of stereo images of trees is a random forest. This classifier is quite demanding on the amount of memory. At the same time, the size of the machine learning model can be critical if it needs to be sent by wire, which is required, for example, when performing distributed learning. In this paper, the goal is to find a classifier that would be less demanding in terms of memory, but at the same time would have comparable segmentation accuracy. The search is performed among classifiers such as logistic regression, naive Bayes classifier, and decision tree. In addition, a method for segmentation refinement performed by a decision tree using logistic regression is being investigated.

The experiments were conducted on data from the collection of the University of Heidelberg. The collection contains hand-marked stereo images of trees of various species, both coniferous and deciduous, typical of the forests of Central Europe.

It has been shown that classification using a decision tree, adjusted using logistic regression, is able to produce a result that is only slightly inferior to the result of a random forest in accuracy, while spending less time and RAM. The difference in balanced accuracy is no more than one percent on all the clouds considered, while the total size and inference time of the decision tree and logistic regression classifiers is an order of magnitude smaller than of the random forest classifier.

В нейробиологии исследование механизмов кодирования запахов требует анализа пространственных паттернов активации обонятельных структур (гломерул), реконструируемых по данным мультифотонной микроскопии. Однако отсутствие формального статистического аппарата для анализа обобщенных карт, полученных на группе животных, ограничивает воспроизводимость результатов и затрудняет синтез прогностических моделей. Для преодоления этих ограничений разработана методология анализа карт ольфакторной активности, суммарно зарегистрированных на нескольких животных, основанная на теории немаркированных случайных точечных процессов. Методология включает процедуру предобработки данных и алгоритм численного анализа, реализованный в среде R с использованием пакета spatstat. Предложенный подход позволяет: (1) перейти от исходных карт гломерулярной активности к точечным паттернам с сохранением информации о размерах гломерул; (2) выполнить анализ точечных паттернов и рассчитать пространственно-морфологические характеристики специфичных для каждого одоранта областей (доменов) устойчивой активации гломерул; (3) выполнить статистическую проверку гипотез о пространственной случайности точечных паттернов с использованием $K$-функции Рипли, $G$-функции ближайших соседей и метода Монте-Карло; (4) синтезировать параметрическую модель парных взаимодействий Штрауса, параметры которой $(r_{PI}, \gamma)$ имеют ясную биологическую интерпретацию — масштаб пространственного взаимодействия гломерул и силу комодуляции ответов соответственно.

Валидация методологии выполнена на экспериментальных данных, полученных на 24 лабораторных крысах (10 особей стимулированы камфорой, 14 — метилбензоатом). Подобранные модели Штрауса продемонстрировали близкие, но специфичные для каждого одоранта параметры: радиус взаимодействия $r_{PI}$ составил 150 мкм для камфоры и 120 мкм для метилбензоата, коэффициент взаимодействия $\gamma$ — 0,95 и 0,89 соответственно. Валидация с использованием $Q$-$Q$-графиков сглаженных остатков подтвердила адекватность моделей, а рассчитанные на этапе (2) суммарная площадь доменов (0,60 мм² и 0,73 мм²) и плотность реакций (38 и 43 точки/мм²) полностью согласуются с параметрическими сигнатурами $(r_{PI}, \gamma)$ моделей.

Предложенный подход обеспечивает воспроизводимую количественную оценку гломерулярных доменов в единой стереотаксической системе координат и может быть распространен на другие одоранты и биологические виды. Все выводы получены на наркотизированных животных; экстраполяция на активные обонятельные стратегии бодрствующих животных требует дополнительных исследований.

In neuroscience, the study of odor coding mechanisms requires the analysis of spatial activation patterns of olfactory structures (glomeruli) reconstructed from multiphoton microscopy data. However, the lack of a formal statistical framework for analyzing population-level summary maps limits result reproducibility and hinders the development of predictive models. To address these limitations, we developed a novel methodology for the analysis of olfactory activity maps aggregated across multiple animals, based on the theory of unmarked spatial point processes. The methodology includes a data preprocessing procedure and a numerical analysis algorithm implemented in the R environment using the spatstat package.

The proposed approach enables: (1) transformation of raw glomerular activity maps into point patterns while preserving information about glomerular sizes (replacing size information with local point density is a methodological compromise reflecting the “functional weight” of glomerular input); (2) analysis of point patterns based on spatial morphometric characteristics of domains — regions of stable glomerular activation in the olfactory bulb, each approximated by an ellipse, with ellipse parameters (center coordinates in stereotaxic space, major and minor axis lengths, orientation angles), areas, and intra-ellipse point densities reflecting odorant-specific response signatures; (3) statistical hypothesis testing for spatial randomness (Complete Spatial Randomness) using Ripley’s $K$-function, the nearest-neighbor G-function, and Monte Carlo simulations; (4) synthesis of a parametric pairwise interaction model (Strauss process), whose parameters $(r_{PI}, \gamma)$ have a clear biological interpretation — the spatial interaction scale of glomeruli and the strength of response comodulation, respectively.

The methodology was validated using experimental data obtained from 24 laboratory rats: 10 animals stimulated with camphor and 14 with methyl benzoate. The fitted Strauss models yielded close but odorant-specific parameters: interaction radii $r_{PI}$ of 150 $\mu$m (camphor) and 120 μm (methyl benzoate); interaction parameters $gamma$ of 0.95 and 0.89, respectively. The total domain areas (0.60 mm² and 0.73 mm²) and point densities (38 and 43 points/mm²) calculated at the first stage of analysis are fully consistent with the parametric signatures $(r_{PI}, \gamma)$ of the Strauss model. Model validation using $Q$-$Q$ plots of smoothed residuals confirmed their adequacy.

Our results are consistent with data previously obtained using genetic labeling and functional mapping techniques, demonstrating the correctness of the proposed methodology and the effectiveness of multiphoton laser scanning microscopy for such applications. The proposed framework provides reproducible quantitative assessment of glomerular domains within a unified stereotaxic coordinate system and can be extended to other odorants and biological species. All findings were obtained under anesthesia; extrapolation to active olfactory strategies in awake animals requires further investigation.