論文の概要: Deep Learning of Crystalline Defects from TEM images: A Solution for the
Problem of "Never Enough Training Data"
- arxiv url: http://arxiv.org/abs/2307.06322v1
- Date: Wed, 12 Jul 2023 17:37:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 12:13:09.367090
- Title: Deep Learning of Crystalline Defects from TEM images: A Solution for the
Problem of "Never Enough Training Data"
- Title（参考訳）: tem画像からの結晶欠陥の深層学習:「十分なトレーニングデータ」の問題に対する解法
- Authors: Kishan Govind, Daniela Oliveros, Antonin Dlouhy, Marc Legros, Stefan
Sandfeld
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crystalline defects, such as line-like dislocations, play an important role
for the performance and reliability of many metallic devices. Their interaction
and evolution still poses a multitude of open questions to materials science
and materials physics. In-situ TEM experiments can provide important insights
into how dislocations behave and move. During such experiments, the dislocation
microstructure is captured in form of videos. The analysis of individual video
frames can provide useful insights but is limited by the capabilities of
automated identification, digitization, and quantitative extraction of the
dislocations as curved objects. The vast amount of data also makes manual
annotation very time consuming, thereby limiting the use of Deep
Learning-based, automated image analysis and segmentation of the dislocation
microstructure. In this work, a parametric model for generating synthetic
training data for segmentation of dislocations is developed. Even though domain
scientists might dismiss synthetic training images sometimes as too artificial,
our findings show that they can result in superior performance, particularly
regarding the generalizing of the Deep Learning models with respect to
different microstructures and imaging conditions. Additionally, we propose an
enhanced deep learning method optimized for segmenting overlapping or
intersecting dislocation lines. Upon testing this framework on four distinct
real datasets, we find that our synthetic training data are able to yield
high-quality results also on real images-even more so if fine-tune on a few
real images was done.
- Abstract（参考訳）: 線状転位などの結晶欠陥は、多くの金属デバイスの性能と信頼性に重要な役割を果たす。
彼らの相互作用と進化は、材料科学と材料物理学に多くのオープンな疑問をもたらしている。
in-situ tem実験は転位がどのように振る舞うかに関する重要な洞察を提供する。
このような実験では、転位ミクロ構造はビデオの形で捉えられる。
個々のビデオフレームの分析は有用な洞察を提供することができるが、自動識別、デジタル化、曲線オブジェクトとしての変位の定量抽出の能力によって制限されている。
膨大な量のデータによって手動のアノテーションも非常に時間がかかり、Deep Learningベースの自動画像解析と転位マイクロ構造のセグメンテーションが制限される。
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。
ドメイン科学者は、合成訓練画像は時として人工的すぎると否定することがあるが、この結果は、特に、異なるミクロ構造や撮像条件に関するディープラーニングモデルの一般化に関して、優れたパフォーマンスをもたらす可能性があることを示している。
さらに,重なり合うあるいは交差する転位線に最適化された拡張ディープラーニング手法を提案する。
このフレームワークを4つの異なる実データセットでテストした結果、私たちの合成トレーニングデータは、実画像でも高品質な結果を得ることができることが分かりました。
関連論文リスト
- Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Combining Variational Autoencoders and Physical Bias for Improved
Microscopy Data Analysis [0.0]
本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。
本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。
その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
論文 参考訳（メタデータ） (2023-02-08T17:35:38Z) - Fast spline detection in high density microscopy data [0.0]
多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。
そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。
線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
論文 参考訳（メタデータ） (2023-01-11T13:40:05Z) - Synthetic Data for Object Classification in Industrial Applications [53.180678723280145]
オブジェクト分類では、オブジェクトごとに、異なる条件下で、多数の画像を取得することは必ずしも不可能である。
本研究は,学習データセット内の限られたデータに対処するゲームエンジンを用いた人工画像の作成について検討する。
論文 参考訳（メタデータ） (2022-12-09T11:43:04Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Improving generalization with synthetic training data for deep learning
based quality inspection [0.0]
教師付きディープラーニングは、トレーニングのために大量の注釈付きイメージを必要とする。
実際には、そのようなデータの収集と注釈付けは費用がかかり、手間がかかる。
ランダムに生成した合成訓練画像を用いることで、領域不安定性に対処できることを示す。
論文 参考訳（メタデータ） (2022-02-25T16:51:01Z) - Multi defect detection and analysis of electron microscopy images with
deep learning [5.3265578744942585]
深層学習に基づく高速R-CNN解析システムでは,比較的小さなトレーニングデータセットを用いた人間解析に匹敵する性能を示す。
本研究は、深層学習を応用し、自動顕微鏡データ解析の開発を支援する有望な能力を示す。
論文 参考訳（メタデータ） (2021-08-19T19:16:24Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Synthetic Image Rendering Solves Annotation Problem in Deep Learning
Nanoparticle Segmentation [5.927116192179681]
レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成して、最先端の深層ニューラルネットワークをトレーニングできることが示される。
有害な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出する。
論文 参考訳（メタデータ） (2020-11-20T17:05:36Z) - 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) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z)
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。