Fugu-MT 論文翻訳(概要): Automated Classification of Nanoparticles with Various Ultrastructures and Sizes

論文の概要: Automated Classification of Nanoparticles with Various Ultrastructures and Sizes

arxiv url: http://arxiv.org/abs/2207.14023v1
Date: Thu, 28 Jul 2022 11:31:43 GMT
ステータス: 処理完了
システム内更新日: 2022-07-29 12:56:46.391721
Title: Automated Classification of Nanoparticles with Various Ultrastructures and Sizes
Title（参考訳）: ナノ粒子の微細構造とサイズによる自動分類
Authors: Claudius Zelenka, Marius Kamp, Kolja Strohm, Akram Kadoura, Jacob Johny, Reinhard Koch, Lorenz Kienle
Abstract要約: 走査型電子顕微鏡画像の小さなデータセットから学習したナノ粒子計測と分類のためのディープラーニングに基づく手法を提案する。本手法は, 局所化, ナノ粒子の検出, 分類, 微細構造の分類の2段階からなる。画像処理や様々な画像生成ニューラルネットワークを用いて合成画像を生成することで、両方の段階で結果を改善することができることを示す。
参考スコア（独自算出の注目度）: 0.6927055673104933
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurately measuring the size, morphology, and structure of nanoparticles is very important, because they are strongly dependent on their properties for many applications. In this paper, we present a deep-learning based method for nanoparticle measurement and classification trained from a small data set of scanning transmission electron microscopy images. Our approach is comprised of two stages: localization, i.e., detection of nanoparticles, and classification, i.e., categorization of their ultrastructure. For each stage, we optimize the segmentation and classification by analysis of the different state-of-the-art neural networks. We show how the generation of synthetic images, either using image processing or using various image generation neural networks, can be used to improve the results in both stages. Finally, the application of the algorithm to bimetallic nanoparticles demonstrates the automated data collection of size distributions including classification of complex ultrastructures. The developed method can be easily transferred to other material systems and nanoparticle structures.
Abstract（参考訳）: ナノ粒子のサイズ、形態、構造を正確に測定することは、多くの用途でその特性に強く依存するため、非常に重要である。本稿では,走査型電子顕微鏡画像の小さなデータ集合から学習したナノ粒子の測定と分類のための深層学習法を提案する。私たちのアプローチは、局在化、すなわちナノ粒子の検出、分類、すなわち超微細構造の分類の2段階からなる。各ステージでは、異なる最先端ニューラルネットワークの分析により、セグメンテーションと分類を最適化する。画像処理や様々な画像生成ニューラルネットワークを用いて合成画像を生成することで、両方の段階で結果を改善することができることを示す。最後に、バイメタルナノ粒子へのアルゴリズムの適用により、複雑な超微細構造の分類を含むサイズ分布の自動データ収集が示される。開発した方法は、他の材料システムやナノ粒子構造に容易に移行できる。

関連論文リスト

DiffRenderGAN: Addressing Training Data Scarcity in Deep Segmentation Networks for Quantitative Nanomaterial Analysis through Differentiable Rendering and Generative Modelling [0.1135917885955104]
ディープラーニングセグメンテーションネットワークは、自動的な洞察を可能にし、主観的手法を正確な定量的分析に置き換える。注釈付き合成データを生成するために設計された新しい生成モデルであるDiffRenderGANを紹介する。このアプローチは手動介入の必要性を低減し、既存の合成データ手法と比較してセグメンテーション性能を向上させる。
論文参考訳（メタデータ） (2025-02-13T16:41:44Z)
Machine Learning for Identifying Grain Boundaries in Scanning Electron Microscopy (SEM) Images of Nanoparticle Superlattices [0.0]
ナノ粒子超格子の走査型電子顕微鏡(SEM)画像における粒界分割の自動化のための機械学習ワークフローを提案する。我々は、生のピクセルデータをクラスタリングのための超格子配向の説明可能な数値表現に変換する。この効率性により、ワークフローは大規模なデータセットにスケーラブルになり、データ駆動モデルを意思決定プロセスに統合するための貴重なツールになります。
論文参考訳（メタデータ） (2025-01-07T22:51:10Z)
MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文参考訳（メタデータ） (2024-12-12T15:01:39Z)
Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
論文参考訳（メタデータ） (2024-01-25T19:05:53Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Recursive Detection and Analysis of Nanoparticles in Scanning Electron Microscopy Images [0.0]
本研究では,走査型電子顕微鏡(SEM)画像中のナノ粒子の精密検出と包括的解析を目的とした計算フレームワークを提案する。このフレームワークはPythonの堅牢な画像処理機能を採用しており、特にOpenCV、SciPy、Scikit-Imageといったライブラリを利用している。 SEMナノ粒子のデータセットから得られた5つの異なるテスト画像から粒子を検出する精度は97%だ。
論文参考訳（メタデータ） (2023-08-17T02:08:05Z)
Generalization Across Experimental Parameters in Machine Learning Analysis of High Resolution Transmission Electron Microscopy Datasets [0.0]
我々は、ナノ粒子の高分解能TEM画像データセットを実験的に収集したニューラルネットワークを訓練し、検証する。ニューラルネットワークは顕微鏡パラメータ間では堅牢ではなく、特定のサンプルパラメータ間で一般化されていることが分かっています。
論文参考訳（メタデータ） (2023-06-20T19:13:49Z)
Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文参考訳（メタデータ） (2023-03-10T20:36:23Z)
Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文参考訳（メタデータ） (2023-02-22T14:52:06Z)
Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文参考訳（メタデータ） (2022-05-24T00:00:07Z)
Improving the Segmentation of Scanning Probe Microscope Images using Convolutional Neural Networks [0.9236074230806579]
有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。 U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-08-27T20:49:59Z)

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。