Fugu-MT 論文翻訳(概要): Detecting Atomic Scale Surface Defects in STM of TMDs with Ensemble Deep Learning

論文の概要: Detecting Atomic Scale Surface Defects in STM of TMDs with Ensemble Deep Learning

arxiv url: http://arxiv.org/abs/2312.05160v1
Date: Fri, 8 Dec 2023 16:38:51 GMT
ステータス: 処理完了
システム内更新日: 2023-12-11 14:36:57.320305
Title: Detecting Atomic Scale Surface Defects in STM of TMDs with Ensemble Deep Learning
Title（参考訳）: 深層学習によるMDDのSTMにおける原子スケール表面欠陥の検出
Authors: Darian Smalley (1 and 2), Stephanie D. Lough (1 and 2), Luke Holtzman (3), Kaikui Xu (4), Madisen Holbrook (3), Matthew R. Rosenberger (4), J.C. Hone (3), Katayun Barmak (3), Masahiro Ishigami (1 and 2) ((1) Department of Physics, University of Central Florida, (2) NanoScience Technology Center, University of Central Florida, (3) Department of Applied Physics and Applied Mathematics, University of Columbia, (4) Department of Aerospace and Mechanical Engineering, University of Notre Dame)
Abstract要約: 原子スケール欠陥検出は、U-Netのような畳み込みニューラルネットワークのアンサンブルを用いた単一結晶WSe2の走査トンネル顕微鏡画像で示される。また,WSe2のC-AFM画像とMoSe2のSTM画像とのアンサンブル一般化を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Atomic-scale defect detection is shown in scanning tunneling microscopy images of single crystal WSe2 using an ensemble of U-Net-like convolutional neural networks. Standard deep learning test metrics indicated good detection performance with an average F1 score of 0.66 and demonstrated ensemble generalization to C-AFM images of WSe2 and STM images of MoSe2. Defect coordinates were automatically extracted from defect detections maps showing that STM image analysis enhanced by machine learning can be used to dramatically increase sample characterization throughput.
Abstract（参考訳）: u-netライクな畳み込みニューラルネットワークのアンサンブルを用いた単結晶wse2の走査トンネル顕微鏡画像に原子スケール欠陥検出を示す。標準のディープラーニングテストメトリクスは、平均f1スコア0.06で良好な検出性能を示し、wse2のc-afm画像とmose2のstm画像へのアンサンブル一般化を示した。欠陥座標は欠陥検出マップから自動的に抽出され、機械学習によって強化されたSTM画像解析を用いてサンプルキャラクタリゼーションのスループットを劇的に向上させることができる。

関連論文リスト

Evaluating Detection Thresholds: The Impact of False Positives and Negatives on Super-Resolution Ultrasound Localization Microscopy [1.912429179274357]
本研究では, 偽陽性 (FPs) と偽陰性 (FNs) がULM画像品質に与える影響について検討した。厳密なMB領域は検出エラーに対してより耐性があり、スパース領域は高い感度を示す。
論文参考訳（メタデータ） (2024-11-11T22:58:56Z)
WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文参考訳（メタデータ） (2024-03-18T11:20:11Z)
Capability enhancement of the X-ray micro-tomography system via ML-assisted approaches [0.8999666725996978]
X線マイクロCT画像におけるリングアーティファクトは、その正確な視覚的解釈と定量的解析における主要な原因の1つである。本稿では、UNetにインスパイアされた畳み込みニューラルネットワーク(CNN)ベースのディープラーニング(DL)モデルと、リングアーティファクトを除去するためのスキップ接続を備えた一連のエンコーダとデコーダユニットを提案する。
論文参考訳（メタデータ） (2024-02-08T14:23:24Z)
NLCG-Net: A Model-Based Zero-Shot Learning Framework for Undersampled Quantitative MRI Reconstruction [5.964779375520257]
モデルベースT2/T1推定のための共役勾配(NLCG)を提案する。このエンド・ツー・エンド法は、ゼロショットスキャン特異的ニューラルネットワーク正規化を用いた単例信号モデリングを用いて、アンダーサンプルk空間データからqMRIマップを直接推定し、高い忠実度T1およびT2マッピングを実現する。
論文参考訳（メタデータ） (2024-01-22T14:53:21Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial Representation Learning [55.762840052788945]
本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
論文参考訳（メタデータ） (2022-12-30T03:15:34Z)
Motion correction in MRI using deep learning and a novel hybrid loss function [11.424624100447332]
脳磁気共鳴画像(MRI)における運動アーチファクト抑制のための深層学習法(MC-Net)の開発 MC-Netは、2段階のマルチロス関数と組み合わせたUNetから派生した。
論文参考訳（メタデータ） (2022-10-19T14:40:41Z)
Masked Frequency Modeling for Self-Supervised Visual Pre-Training [102.89756957704138]
MFM(Masked Frequency Modeling)は、視覚モデルの自己教師付き事前学習のための統合周波数領域に基づくアプローチである。 MFMはまず入力画像の周波数成分の一部をマスクアウトし、周波数スペクトルの欠落周波数を予測する。 MFMは初めて、ViTとCNNの両方で、単純な非シームフレームワークは、以下のものを使って意味のある表現を学習できることを示した。
論文参考訳（メタデータ） (2022-06-15T17:58:30Z)
Inflation of test accuracy due to data leakage in deep learning-based classification of OCT images [0.0]
本研究では,2つの分類課題に対して,不適切なデータセット分割がモデル評価に及ぼす影響を実証した。その結果,不適切な分割を伴うデータセット上で実験したモデルに対して,分類精度は3.9～26パーセント向上した。
論文参考訳（メタデータ） (2022-02-21T14:08:42Z)
Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses [58.40902139823252]
磁気トンネル接合(MTJ)シナプスを用いたニューロモルフィックネットワークの試作実験を行い,ベクトル行列乗算による画像認識を行った。また、MNIST手書き文字認識を行う大規模なMTJネットワークをシミュレートし、MTJクロスバーがメムリスタの精度と一致し、精度、安定性、耐久性が向上することを示した。
論文参考訳（メタデータ） (2021-12-09T08:11:47Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)

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。