論文の概要: A Deep Learning Based Automatic Defect Analysis Framework for In-situ
TEM Ion Irradiations
- arxiv url: http://arxiv.org/abs/2108.08882v1
- Date: Thu, 19 Aug 2021 19:15:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 00:09:52.538652
- Title: A Deep Learning Based Automatic Defect Analysis Framework for In-situ
TEM Ion Irradiations
- Title（参考訳）: 深層学習に基づくその場TEMイオン照射のための自動欠陥解析フレームワーク
- Authors: Mingren Shen, Guanzhao Li, Dongxia Wu, Yudai Yaguchi, Jack C. Haley,
Kevin G. Field, and Dane Morgan
- Abstract要約: YOLOと呼ばれる高度な物体検出モデルに基づく微細構造特徴の自動TEMビデオ解析システムを開発した。
結果は、高速で一貫性があり、スケーラブルなフレームレベルの欠陥解析のために、F1スコアの0.89で人間に匹敵する性能を達成できることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Videos captured using Transmission Electron Microscopy (TEM) can encode
details regarding the morphological and temporal evolution of a material by
taking snapshots of the microstructure sequentially. However, manual analysis
of such video is tedious, error-prone, unreliable, and prohibitively
time-consuming if one wishes to analyze a significant fraction of frames for
even videos of modest length. In this work, we developed an automated TEM video
analysis system for microstructural features based on the advanced object
detection model called YOLO and tested the system on an in-situ ion irradiation
TEM video of dislocation loops formed in a FeCrAl alloy. The system provides
analysis of features observed in TEM including both static and dynamic
properties using the YOLO-based defect detection module coupled to a geometry
analysis module and a dynamic tracking module. Results show that the system can
achieve human comparable performance with an F1 score of 0.89 for fast,
consistent, and scalable frame-level defect analysis. This result is obtained
on a real but exceptionally clean and stable data set and more challenging data
sets may not achieve this performance. The dynamic tracking also enabled
evaluation of individual defect evolution like per defect growth rate at a
fidelity never before achieved using common human analysis methods. Our work
shows that automatically detecting and tracking interesting microstructures and
properties contained in TEM videos is viable and opens new doors for evaluating
materials dynamics.
- Abstract（参考訳）: 透過電子顕微鏡(TEM)で捉えたビデオは、ミクロ構造のスナップショットを逐次撮影することで、材料の形態的および時間的進化の詳細を符号化することができる。
しかし、こうしたビデオの手動分析は退屈で、エラーを起こしやすく、信頼性が低く、わずかな長さの動画でもフレームのかなりの部分を分析したい場合、非常に時間がかかる。
本研究では, YOLOと呼ばれる先進的物体検出モデルに基づく微細構造解析のためのTEM自動解析システムを開発し, FeCrAl合金に生成した転位ループのその場イオン照射TEMビデオで試験を行った。
このシステムは、幾何学解析モジュールと動的追跡モジュールに結合したYOLOベースの欠陥検出モジュールを用いて、TEMで観測された特徴を静的および動的に解析する。
結果は、高速で一貫性があり、スケーラブルなフレームレベルの欠陥解析のために、F1スコア0.89で人間に匹敵する性能を達成できることを示している。
この結果は、本物だが例外的にクリーンで安定したデータセットで得られ、より困難なデータセットはこの性能を達成できないかもしれない。
動的追跡により、共通の人的分析手法を用いて、欠陥成長率当たりの個々の欠陥の進化を評価することが可能となった。
我々の研究は、TEMビデオに含まれる興味深い微細構造や特性を自動的に検出し、追跡できることを示し、材料力学を評価するための新しい扉を開く。
関連論文リスト
- DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - Video Dynamics Prior: An Internal Learning Approach for Robust Video
Enhancements [83.5820690348833]
外部トレーニングデータコーパスを必要としない低レベルの視覚タスクのためのフレームワークを提案する。
提案手法は,コヒーレンス・時間的テストの重み付けと統計内部統計を利用して,破損したシーケンスを最適化することでニューラルモジュールを学習する。
論文 参考訳（メタデータ） (2023-12-13T01:57:11Z) - Dynamic Erasing Network Based on Multi-Scale Temporal Features for
Weakly Supervised Video Anomaly Detection [103.92970668001277]
弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。
まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。
そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
論文 参考訳（メタデータ） (2023-12-04T09:40:11Z) - Deep Learning of Crystalline Defects from TEM images: A Solution for the
Problem of "Never Enough Training Data" [0.0]
In-situ TEM実験は、転位がどのように振る舞うか、動きについて重要な洞察を与えることができる。
個々のビデオフレームの分析は有用な洞察を提供するが、自動識別の能力によって制限される。
本研究では,転位セグメンテーションのための合成トレーニングデータを生成するパラメトリックモデルを開発した。
論文 参考訳（メタデータ） (2023-07-12T17:37:46Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Dynamic Atomic Column Detection in Transmission Electron Microscopy
Videos via Ridge Estimation [4.345882429229813]
リッジ検出は画像処理において曲線的特徴を抽出するツールである。
我々は、長い画像列の同時解析により、フレーム間の時間相関を利用する。
われわれのアプローチは、消えているように見える物体の時間的分析に特化している。
論文 参考訳（メタデータ） (2023-02-02T01:37:43Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳（メタデータ） (2021-01-07T07:33:38Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework [1.3858051019755282]
繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。
等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。
提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
論文 参考訳（メタデータ） (2020-03-24T17:13:08Z)
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。