論文の概要: Deep-Learning Recognition of Scanning Transmission Electron Microscopy: Quantifying and Mitigating the Influence of Gaussian Noises
- arxiv url: http://arxiv.org/abs/2409.16637v1
- Date: Wed, 25 Sep 2024 05:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 05:23:25.820411
- Title: Deep-Learning Recognition of Scanning Transmission Electron Microscopy: Quantifying and Mitigating the Influence of Gaussian Noises
- Title（参考訳）: 走査透過電子顕微鏡のディープラーニング認識:ガウス雑音の影響の定量化と緩和
- Authors: Hanlei Zhang, Jincheng Bai, Xiabo Chen, Can Li, Chuanjian Zhong, Jiye Fang, Guangwen Zhou,
- Abstract要約: 走査型透過電子顕微鏡(STEM)によるナノ粒子認識のための深層学習マスク領域ベースニューラルネットワーク(Mask R-CNN)を提案する。
The Mask R-CNN model were tested onsimulated STEM-HAADF results with different Gaussian noises, Particle shapes and Particle sizes, and the results showed that Gaussian noise has determined Influence on the accuracy of recognition。
このフィルタリング認識手法はSTEM-HAADF実験結果にさらに適用され,従来のしきい値法と比較して満足度が向上した。
- 参考スコア（独自算出の注目度）: 8.027522565741402
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scanning transmission electron microscopy (STEM) is a powerful tool to reveal the morphologies and structures of materials, thereby attracting intensive interests from the scientific and industrial communities. The outstanding spatial (atomic level) and temporal (ms level) resolutions of the STEM techniques generate fruitful amounts of high-definition data, thereby enabling the high-volume and high-speed analysis of materials. On the other hand, processing of the big dataset generated by STEM is time-consuming and beyond the capability of human-based manual work, which urgently calls for computer-based automation. In this work, we present a deep-learning mask region-based neural network (Mask R-CNN) for the recognition of nanoparticles imaged by STEM, as well as generating the associated dimensional analysis. The Mask R-CNN model was tested on simulated STEM-HAADF results with different Gaussian noises, particle shapes and particle sizes, and the results indicated that Gaussian noise has determining influence on the accuracy of recognition. By applying Gaussian and Non-Local Means filters on the noise-containing STEM-HAADF results, the influences of noises are largely mitigated, and recognition accuracy is significantly improved. This filtering-recognition approach was further applied to experimental STEM-HAADF results, which yields satisfying accuracy compared with the traditional threshold methods. The deep-learning-based method developed in this work has great potentials in analysis of the complicated structures and large data generated by STEM-HAADF.
- Abstract（参考訳）: 走査透過電子顕微鏡(STEM)は材料の形態や構造を明らかにする強力なツールであり、科学や産業のコミュニティから強い関心を集めている。
STEM技術の卓越した空間(原子レベル)と時間(msレベル)の分解能は、多量の高精細データを生成するため、材料の高体積かつ高速な分析を可能にする。
一方、STEMによって生成された大きなデータセットの処理は、コンピュータベースの自動化を緊急に要求する人手作業の能力を超え、時間を要する。
本研究では,STEMで撮像したナノ粒子の認識と関連する次元解析を行うための,深層学習マスク領域ベースニューラルネットワーク(Mask R-CNN)を提案する。
The Mask R-CNN model were tested onsimulated STEM-HAADF results with different Gaussian noises, Particle shapes and Particle sizes, and the results showed that Gaussian noise has determined Influence on the accuracy of recognition。
ノイズを含むSTEM-HAADFにガウスおよび非局所平均フィルタを適用することにより、ノイズの影響が大幅に軽減され、認識精度が大幅に向上する。
このフィルタリング認識手法はSTEM-HAADF実験結果にさらに適用され,従来のしきい値法と比較して満足度が向上した。
本研究で開発されたディープラーニングに基づく手法は,STEM-HAADFによって生成された複雑な構造と大規模データの解析において大きな可能性を持っている。
関連論文リスト
- Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis [13.779430559468926]
本研究では,トランスファーラーニングを用いたディープラーニング(DL)フレームワークを導入し,シミュレーションデータセット上でモデルを事前学習し,生体内データの微調整を行う。
提案したフレームワークは,BIG GABAレポジトリのPhilipsデータセットに適用した場合,有望なパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-08-28T18:05:53Z) - Multiscale lubrication simulation based on fourier feature networks with trainable frequency [3.152606467542819]
この研究は、トレーニング可能なフーリエ機能ネットワークを利用する、新しいマルチスケール潤滑ニューラルネットワークアーキテクチャを導入する。
学習可能な特徴埋め込み周波数を組み込むことで、このアーキテクチャは様々な周波数成分に自動的に適応し、粗面特性の分析を強化する。
論文 参考訳（メタデータ） (2024-05-21T09:41:56Z) - A robust synthetic data generation framework for machine learning in
High-Resolution Transmission Electron Microscopy (HRTEM) [1.0923877073891446]
Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。
ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。
この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
論文 参考訳（メタデータ） (2023-09-12T10:44:15Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - STEM image analysis based on deep learning: identification of vacancy
defects and polymorphs of ${MoS_2}$ [0.49583061314078714]
2次元結晶の重要な構造的特徴の同定に完全畳み込みネットワーク(FCN)を適用した。
FCNは、様々なレベルのノイズ、収差、炭素汚染の存在下でのシミュレーション画像で訓練されている。
広範囲な実験STEM画像に対するFCNモデルの精度は、注意深いハンズオン分析の精度に匹敵する。
論文 参考訳（メタデータ） (2022-06-09T04:43:56Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - 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) - A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。
得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文 参考訳（メタデータ） (2021-04-19T14:43:07Z) - Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging
Microscopy (FLIM) [16.558653673949838]
蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。
そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。
ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
論文 参考訳（メタデータ） (2021-03-07T03:27:44Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z)
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。