可重复的计算机视觉。
跨学科和可扩展的图像信息学

Limpid或大规模的图像加工基础设施开发项目旨在帮助世界各地的科学家分享信息并推进计算机愿景领域的方法的再现性 - 或计算机看到'和分析图像的方式。LIMPID项目具有各种应用的应用，作为材料科学，生物学，神经科学，海洋科学，遥感和医学等多样化。相关的Bisque Ecosystem是一个在线平台，允许研究人员上传软件包和数据，以便在云中进行分析，从而可以轻松分享不同机构的研究人员之间的结果。

Santa Barbara大学材料科学系的研究人员正在使用计算技术来分析微观结构图像以预测材料特性。使计算机能够“看到”并理解数字图像或视频内容的技术的开发称为计算机视觉。科学家正在使用Bisque，这是一个在线基础设施，用于共享科学学科的数据和分析技术，以提高计算机视觉技术的再现性。

分享科学学科的计算机视觉技巧
材料科学只是计算机愿景很重要的学科的一个例子。现代科学研究涉及以巨大的规模生产数据，其中大部分是图像形式：科学仪器探测我们的宇宙在从银河系到亚基的鳞片变化。由各种探测器产生的所得到的图像，使用各种计算技术处理，以便对数据进行处理。因此，数据科学是一种越来越多的领域，并且需要新技术和基础设施来分析大成像数据。

LIMPID(大规模图像处理基础设施开发)项目旨在帮助跨学科的科学家共享图像分析的信息。目前，在材料科学、生物学、神经科学和大脑连接、海洋科学、遥感和医学等各个领域，世界各地的研究小组正在开发图像分析方法。LIMPID项目通过为科学图像分析方法的管理、分发和共享创建广泛而独特的资源，改变了这种工作方式。大规模跨学科分享专业知识和方法有可能大大加快工作实践，并减少科学家每次需要使用一种新方法时“重新发明轮子”的风险。

现代科学研究涉及
以庞大的规模生产数据，其中大部分是图像的形式。

基于云的分享和测试技术系统
Bisque是一种新的生态系统，可以在基于共享的云的基础架构上发现，测试，在基于云的基础架构中被发现，测试，验证，在用户之间进行重新编辑和共享。使用Bisque，可以使用Web浏览器对云进行数据处理，以与数据集进行交互。Bisque为每个执行，数据集（输入和输出）和工作流处理管道分配唯一的URL。由于始终清楚输入数据所在的位置，并且在数据上执行哪些进程以创建输出数据，因此即使在与世界各地的其他机构的同事合作，这些URL也可以帮助研究人员跟踪和分享数据。

机器学习
最近，在计算机愿景领域工作的科学家已经开始使用基于深度学习的模式识别技术，具有高度有前途的结果。Bisque的模块化体系结构可以轻松集成不断的机器学习架构进行图像分析。例如，Bisque的Connoisseur服务是基于深度学习的图像识别的综合培训和分类系统。它使用卷积神经网络 - ADEEP学习技术用于找到正确的数学操作，将输入转换为输出 - 直接从图像创建模型。这允许科学家从输入文件中创建所谓的分类器模型（例如，在海洋中识别物种），直接来自注释的静止或视频图像文件，而不知道如何设计算法的设计。使用不同的数据集自动执行测试，该数据集用于创建算法的“培训”阶段。然后，如果算法在这些情况下没有充分表现，则研究人员可以选择丢弃某些“类别”（例如生物体的类型）。当算法用于对图像数据进行分类（例如，在分析的文件中识别物种）时，每个样本被给予置信度分数，并且用户可以选择跳过低置信度样本。科学家可以验证或更改算法提供的分类，并且可以将此新信息馈回模型，以在将来提高其分类。

使用Bisque进行材料分析
材料科学领域的当前挑战是对材料内部结构如何影响其工程性质的快速预测。这需要昂贵的实验或复杂模型和计算要求苛刻的模拟。使用BISQUE的研究人员的一个目的是开发一种基于云的模块，以使用3D数据集来预测材料属性，并预先计算基于3D物理的模拟。研究人员开发了一种用于预测由两个部件组成的两相复合材料材料的性能，该材料在复合材料的结构中保持不同，通常以复杂的拓扑模式布置。

基于云的基础设施非常适合鼓励和支持科学家之间的合作，特别是鼓励更快的开发和部署新的分析工具。

已经开发出一种称为Dream.3D（Groeber，2014）的软件包，用于使用实验3D数据来分析材料。它汇集了社区开发的工具和算法，以分析在扫描电子显微镜中各种模式收集的材料科学图像。将处理步骤组织成通常在十几个步骤上含有良好的流水线。此软件以前在桌面上运行，研究人员手动更改输入参数：这种工作方式意味着探索输入参数的相对较小的变化，可能引入偏差是实际的。但是，当Dream.3D与Bisque集成时，研究人员获得了输入每个参数的一系列值的能力。然后，使用不同的输入参数同时运行该程序的许多实例，节省了产生结果和提高重建质量的时间。还可以通过Bisque平台查看和可视化输出数据，因此研究人员不需要运行单独的计算密集型可视化程序。在一个单独的模块中，研究人员还实现了一种计算有效的算法来测试材料强度的量度。该模块可在线获取，可以从Web浏览器运行，并在Userend上具有最小的计算要求。

水下图像分类
Bisque的另一个应用是在海洋科学中。Santa Barbara的海洋科学研究所的研究人员使用用户定义的注释来对物种进行分类。分类的海洋物种由用户定义，并且可以随时间变化。在一项研究中，科学家分析了一千多个水下图像的数据集。BISQUE综合深度学习技术以非常高的准确性分类了柄术。

BisQue对科学界的好处
BisQue最初的动机来自生命科学，如上文所述，BisQue在材料科学、海洋科学、医学成像等领域都有应用。该平台适用于大多数依赖相机、显微镜和其他捕捉设备的数据进行图像分析的科学领域。尖端机器学习技术的使用，使准确的数据分析，无需相关领域的科学家需要大量的机器学习算法开发的专业知识。基于网络的分析和基于云的计算允许用户轻松地实现最新的方法。基于云的基础设施非常适合鼓励和支持科学家之间的合作，特别是鼓励更快地开发和部署新的分析工具。新的方法论也可以被广泛传播，支持许多科学领域的研究。通过研讨会、科学会议和夏季研究实习，正在培养一个活跃的用户和开发人员社区。