論文の概要: Monitoring MBE substrate deoxidation via RHEED image-sequence analysis by deep learning

• arxiv url: http://arxiv.org/abs/2210.03430v1
• Date: Fri, 7 Oct 2022 10:01:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 15:18:49.193671
• Title: Monitoring MBE substrate deoxidation via RHEED image-sequence analysis by deep learning
• Title（参考訳）: 深層学習によるRHEED画像系列解析によるMBE基板の脱酸化モニタリング
• Authors: Abdourahman Khaireh-Walieh, Alexandre Arnoult, S\'ebastien Plissard, Peter R. Wiecha
• Abstract要約: 本稿では,深層学習に基づくRHEED画像系列分類を用いたMBEにおけるGaAs基板脱酸化の自動監視手法を提案する。 提案手法は,機能抽出のための非教師付きオートエンコーダ(AE)と,教師付き畳み込みネットワークを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reflection high-energy electron diffraction (RHEED) is a powerful tool in molecular beam epitaxy (MBE), but RHEED images are often difficult to interpret, requiring experienced operators. We present an approach for automated surveillance of GaAs substrate deoxidation in MBE using deep learning based RHEED image-sequence classification. Our approach consists of an non-supervised auto-encoder (AE) for feature extraction, combined with a supervised convolutional classifier network. We demonstrate that our lightweight network model can accurately identify the exact deoxidation moment. Furthermore we show that the approach is very robust and allows accurate deoxidation detection during months without requiring re-training. The main advantage of the approach is that it can be applied to raw RHEED images without requiring further information such as the rotation angle, temperature, etc.
• Abstract（参考訳）: 反射高エネルギー電子回折(RHEED)は分子線エピタキシー(MBE)において強力なツールであるが、RHEED画像はしばしば解釈が困難であり、経験豊富な演算子を必要とする。 本稿では,深層学習に基づくRHEED画像系列分類を用いたMBEにおけるGaAs基板脱酸化の自動監視手法を提案する。 提案手法は,特徴抽出のための非教師付きオートエンコーダ(AE)と,教師付き畳み込み分類器ネットワークを組み合わせたものである。 軽量ネットワークモデルは正確な脱酸化モーメントを正確に識別できることを実証する。 さらに,本手法は極めて堅牢であり,再トレーニングを必要とせず,数ヶ月間に正確な脱酸化検出を可能にすることを示す。 このアプローチの主な利点は、回転角や温度などの情報を必要とすることなく、生のRHEED画像に適用できる点である。

関連論文リスト

• SiNC+: Adaptive Camera-Based Vitals with Unsupervised Learning of Periodic Signals [6.458510829614774]
  信号回帰のための非競合型教師なし学習フレームワークを初めて提示する。 正常な生理的帯域内におけるスパースパワースペクトルの促進と,周期的な信号の学習にはパワースペクトルのバッチによるばらつきが十分であることがわかった。
  論文  参考訳（メタデータ） (2024-04-20T19:17:40Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Spatial gradient consistency for unsupervised learning of hyperspectral demosaicking: Application to surgical imaging [4.795951381086172]
  ハイパースペクトルイメージングは、組織の特徴化をリアルタイムで、高解像度で改善する可能性がある。 スナップショット画像の空間的・スペクトル的情報を完全に復元するには,復号化アルゴリズムが必要である。 トレーニング目的のスナップショット画像のみを必要とする、完全に教師なしのハイパースペクトル画像復号アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-21T18:07:14Z)
• Exploiting generative self-supervised learning for the assessment of biological images with lack of annotations: a COVID-19 case-study [0.41998444721319217]
  GAN-DLはStyleGAN2アーキテクチャに基づく差別化学習機である。 本手法は, 分類作業だけでなく, 線量応答曲線の導出にも有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-16T08:36:34Z)
• Zero-shot super-resolution with a physically-motivated downsampling kernel for endomicroscopy [5.540381950806677]
  超解像(SR)法は、畳み込みニューラルネットワーク(CNN)の開発により大きな進歩を遂げました。 しかし、内視鏡検査におけるSRの研究の固有の制限は、地上真実高解像度(HR)画像の欠如のままです。 我々は、自己監督的に処理される内視鏡データのみに依存する新しいゼロショット超解像(ZSSR)アプローチを設計する。
  論文  参考訳（メタデータ） (2021-03-25T17:47:02Z)
• Automatic Detection of Occulted Hard X-ray Flares Using Deep-Learning Methods [0.0]
  我々は、RHESSI(Reuven Ramaty High Energy Solar Spectroscopic Imager)で観測された太陽フレアからの硬X線放射の機械学習分類に関する概念を提案する。 このモデルは、画像再構成や専門家による視覚検査を必要とせずに、オカルトフレアを検出することができる。 本モデルでは, 分類精度が90%以上向上し, 検体検診や検体検体検体検体検診, 検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検診および検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体
  論文  参考訳（メタデータ） (2021-01-27T17:11:35Z)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。