論文の概要: TEMImageNet Training Library and AtomSegNet Deep-Learning Models for
High-Precision Atom Segmentation, Localization, Denoising, and
Super-Resolution Processing of Atomic-Resolution Images
- arxiv url: http://arxiv.org/abs/2012.09093v2
- Date: Sat, 20 Feb 2021 06:14:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 03:07:02.274187
- Title: TEMImageNet Training Library and AtomSegNet Deep-Learning Models for
High-Precision Atom Segmentation, Localization, Denoising, and
Super-Resolution Processing of Atomic-Resolution Images
- Title（参考訳）: TEM ImageNetトレーニングライブラリとAtomSegNetによる原子分割・局所化・分解・超解像処理のための深層学習モデル
- Authors: Ruoqian Lin, Rui Zhang, Chunyang Wang, Xiao-Qing Yang, Huolin L. Xin
- Abstract要約: 原子分割・局在化,雑音低減,原子分解能走査透過電子顕微鏡(STEM)画像の劣化は難しい課題である。
本稿では,ロバストかつ高精度な原子セグメンテーション,ローカライゼーション,デノナイズ,超解像処理を実現するための学習ライブラリと深層学習手法の開発について報告する。
私たちは、ディープラーニングモデルをグラフィカルユーザインターフェースを備えたデスクトップアプリにデプロイし、アプリは無償でオープンソースです。
- 参考スコア（独自算出の注目度）: 9.275446527724144
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Atom segmentation and localization, noise reduction and deblurring of
atomic-resolution scanning transmission electron microscopy (STEM) images with
high precision and robustness is a challenging task. Although several
conventional algorithms, such has thresholding, edge detection and clustering,
can achieve reasonable performance in some predefined sceneries, they tend to
fail when interferences from the background are strong and unpredictable.
Particularly, for atomic-resolution STEM images, so far there is no
well-established algorithm that is robust enough to segment or detect all
atomic columns when there is large thickness variation in a recorded image.
Herein, we report the development of a training library and a deep learning
method that can perform robust and precise atom segmentation, localization,
denoising, and super-resolution processing of experimental images. Despite
using simulated images as training datasets, the deep-learning model can
self-adapt to experimental STEM images and shows outstanding performance in
atom detection and localization in challenging contrast conditions and the
precision consistently outperforms the state-of-the-art two-dimensional
Gaussian fit method. Taking a step further, we have deployed our deep-learning
models to a desktop app with a graphical user interface and the app is free and
open-source. We have also built a TEM ImageNet project website for easy
browsing and downloading of the training data.
- Abstract（参考訳）: 原子分割, 局所化, ノイズ低減, STEM(Atom- resolution scan transmission electron microscopy)画像の高精度, 堅牢性は難しい課題である。
しきい値検出、エッジ検出、クラスタリングなどのいくつかの従来のアルゴリズムは、予め定義されたシーンで適切な性能を達成することができるが、背景からの干渉が強く予測不可能な場合には失敗する傾向がある。
特に、原子分解能stem画像では、記録された画像の厚さのばらつきが大きい場合、すべての原子列を分割または検出できるほど頑健なアルゴリズムは存在しない。
本稿では,実験画像のロバストかつ高精度なアトムセグメンテーション,局所化,雑音除去,超解像処理を行うための学習ライブラリと深層学習手法の開発について報告する。
シミュレーション画像をトレーニングデータセットとして用いながら、ディープラーニングモデルは実験的なSTEM画像に適応し、挑戦的なコントラスト条件における原子検出と局所化の優れた性能を示し、精度は最先端の2次元ガウス適合法より一貫して優れている。
さらに一歩進めて、私たちはディープラーニングモデルをグラフィカルユーザインターフェースを備えたデスクトップアプリにデプロイし、アプリは無償でオープンソースです。
また、トレーニングデータの閲覧とダウンロードを容易にするTEM ImageNetプロジェクトウェブサイトも構築しました。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳（メタデータ） (2024-11-26T02:23:31Z) - Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。
本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
論文 参考訳（メタデータ） (2024-05-23T09:13:36Z) - An Ensemble Model for Distorted Images in Real Scenarios [0.0]
本稿では,オブジェクト検出器YOLOv7を用いてCDCOCOデータセットから歪み画像を検出する。
慎重に設計した最適化により,CDCOCOテストセット上での優れた性能を実現する。
我々のデノナイジング検出モデルは、歪んだ画像をデノナイズし、修復することができるため、様々な現実のシナリオや環境において有用である。
論文 参考訳（メタデータ） (2023-09-26T15:12:55Z) - GDIP: Gated Differentiable Image Processing for Object-Detection in
Adverse Conditions [15.327704761260131]
本稿では,ドメインに依存しないネットワークアーキテクチャであるGated Differentiable Image Processing (GDIP)ブロックを提案する。
提案するGDIPブロックは、下流の物体検出損失から画像を直接拡張することを学ぶ。
いくつかの最先端手法による検出性能の大幅な向上を示す。
論文 参考訳（メタデータ） (2022-09-29T16:43:13Z) - Multitask AET with Orthogonal Tangent Regularity for Dark Object
Detection [84.52197307286681]
暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。
自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。
我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2022-05-06T16:27:14Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Image-specific Convolutional Kernel Modulation for Single Image
Super-resolution [85.09413241502209]
本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。
我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。
単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-11-16T11:05:10Z) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳（メタデータ） (2021-11-12T16:45:20Z) - On Deep Learning Techniques to Boost Monocular Depth Estimation for
Autonomous Navigation [1.9007546108571112]
画像の深さを推定することはコンピュータビジョンの分野における根本的な逆問題である。
本稿では,新しい特徴抽出モデルと組み合わせ,軽量で高速なCNNアーキテクチャを提案する。
また,SIDE問題を解くために,単純な幾何2.5D損失関数と組み合わせて効率的な表面正規化モジュールを導入する。
論文 参考訳（メタデータ） (2020-10-13T18:37:38Z) - Deep Attentive Generative Adversarial Network for Photo-Realistic Image
De-Quantization [25.805568996596783]
減量子化は、高ビット深度画面に表示するための低ビット深度画像の視覚的品質を改善することができる。
本稿では,画像強度分解能の超解像を実現するためのDAGANアルゴリズムを提案する。
DenseResAttモジュールは、自己保持機構を備えた密集した残留ブロックで構成されている。
論文 参考訳（メタデータ） (2020-04-07T06:45:01Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。