論文の概要: A Deep Learning Approach for Semantic Segmentation of Unbalanced Data in
Electron Tomography of Catalytic Materials
- arxiv url: http://arxiv.org/abs/2201.07342v1
- Date: Tue, 18 Jan 2022 22:45:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 00:38:38.701298
- Title: A Deep Learning Approach for Semantic Segmentation of Unbalanced Data in
Electron Tomography of Catalytic Materials
- Title（参考訳）: 触媒材料の電子トモグラフィーにおける非平衡データのセマンティックセグメンテーションのための深層学習手法
- Authors: Arda Genc, Libor Kovarik, Hamish L. Fraser
- Abstract要約: 不均一触媒は複雑な表面とバルク構造を持ち、内在性は比較的低く、しばしば触媒ナノ粒子(NP)のスパース分布を持つ
我々は,ガンマ$アルミナ/Pt触媒材料の多クラスセマンティックセマンティックセグメンテーションに深層学習に基づくアプローチを適用した。
我々は, ガンマ$アルミナおよびPt NPsセグメンテーションにおいて, HDの90分の1で2nm未満の境界オーバーラップ誤差を報告した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heterogeneous catalysts possess complex surface and bulk structures,
relatively poor intrinsic contrast, and often a sparse distribution of the
catalytic nanoparticles (NPs), posing a significant challenge for image
segmentation, including the current state-of-the-art deep learning methods. To
tackle this problem, we apply a deep learning-based approach for the
multi-class semantic segmentation of a $\gamma$-Alumina/Pt catalytic material
in a class imbalance situation. Specifically, we used the weighted focal loss
as a loss function and attached it to the U-Net's fully convolutional network
architecture. We assessed the accuracy of our results using Dice similarity
coefficient (DSC), recall, precision, and Hausdorff distance (HD) metrics on
the overlap between the ground-truth and predicted segmentations. Our adopted
U-Net model with the weighted focal loss function achieved an average DSC score
of 0.96 $\pm$ 0.003 in the $\gamma$-Alumina support material and 0.84 $\pm$
0.03 in the Pt NPs segmentation tasks. We report an average boundary-overlap
error of less than 2 nm at the 90th percentile of HD for $\gamma$-Alumina and
Pt NPs segmentations. The complex surface morphology of the $\gamma$-Alumina
and its relation to the Pt NPs were visualized in 3D by the deep
learning-assisted automatic segmentation of a large data set of high-angle
annular dark-field (HAADF) scanning transmission electron microscopy (STEM)
tomography reconstructions.
- Abstract（参考訳）: 不均質な触媒は複雑な表面構造とバルク構造を持ち、本質的なコントラストが比較的乏しく、しばしば触媒ナノ粒子(nps)のばらばらな分布を有しており、現在のディープラーニング法を含む画像分割の重要な課題となっている。
そこで本研究では, クラス不均衡状態において, $\gamma$-allumina/pt 触媒材料の多クラスセグメンテーションに対して, 深層学習に基づくアプローチを適用する。
具体的には、重み付き焦点損失を損失関数としてu-netの完全畳み込みネットワークアーキテクチャにアタッチした。
dice類似度係数 (dsc) , 再現率, 精度, ハウスドルフ距離 (hd) を用いて, 地表面と予測セグメンテーションの重なりについて検討した。
重み付き焦点損失関数を用いたU-Netモデルを用いて平均DSCスコアを0.96$\pm$0.003,Pt NPsセグメンテーションタスクで0.84$\pm$0.003とした。
平均境界オーバーラップ誤差は90パーセントのHDにおいて,$\gamma$-AlluminaおよびPt NPsセグメンテーションに対して2nm未満である。
広角環状暗視野(haadf)走査型透過型電子顕微鏡(stem)による大規模データ集合の自動セグメンテーションにより,$\gamma$-アルミナの複雑な表面形態とpt npsとの関係を3dで可視化した。
関連論文リスト
- Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - Mode-GS: Monocular Depth Guided Anchored 3D Gaussian Splatting for Robust Ground-View Scene Rendering [47.879695094904015]
そこで本研究では,地上ロボット軌道データセットのための新しいビューレンダリングアルゴリズムであるMode-GSを提案する。
提案手法は,既存の3次元ガウススプラッティングアルゴリズムの限界を克服する目的で,アンカー付きガウススプラッターを用いている。
提案手法は,PSNR,SSIM,LPIPSの計測値に基づいて,自由軌道パターンを持つ地上環境におけるレンダリング性能を向上する。
論文 参考訳（メタデータ） (2024-10-06T23:01:57Z) - A versatile machine learning workflow for high-throughput analysis of supported metal catalyst particles [0.0]
ナノ粒子分析のための2段階人工知能(AI)駆動ワークフローを提案する。
この手法は、不均一触媒の透過電子顕微鏡(TEM)および走査TEM(STEM)画像に適用された。
NPの検出およびセグメント化におけるモデルの性能を各種触媒系で検証した。
論文 参考訳（メタデータ） (2024-10-02T03:50:01Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Learning Discretized Neural Networks under Ricci Flow [51.36292559262042]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。
DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文 参考訳（メタデータ） (2023-02-07T10:51:53Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - Dynamic Spatial Propagation Network for Depth Completion [6.3447233767041356]
本稿では,周辺画素間の親和性を注目に基づくアプローチで学習する効率的なモデルを提案する。
実際に,本手法では,他のSPNの性能に適合するイテレーションを少なくし,全体としてより優れた結果が得られる。
論文 参考訳（メタデータ） (2022-02-20T09:43:17Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Manifold-Aware CycleGAN for High-Resolution Structural-to-DTI Synthesis [8.829738147738222]
本稿では,T1w画像から高分解能DTIの生成を学習する多様体対応CycleGANを提案する。
提案手法は,拡散測定値の計算やファイバトラクトグラフィーアルゴリズムの実行に使用可能な,現実的な高分解能DTIを生成することができる。
論文 参考訳（メタデータ） (2020-04-01T00:08:14Z)
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。