論文の概要: Model-Independent Machine Learning Approach for Nanometric Axial Localization and Tracking

• arxiv url: http://arxiv.org/abs/2505.14754v1
• Date: Tue, 20 May 2025 14:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.677295
• Title: Model-Independent Machine Learning Approach for Nanometric Axial Localization and Tracking
• Title（参考訳）: モデル非依存型機械学習による南方軸位置推定と追跡
• Authors: Andrey Alexandrov, Giovanni Acampora, Giovanni De Lellis, Antonia Di Crescenzo, Chiara Errico, Daria Morozova, Valeri Tioukov, Autilia Vittiello,
• Abstract要約: 両焦点平面画像から軸位置を決定できる畳み込みニューラルネットワーク(CNN)を用いた深層学習手法を提案する。 本手法は従来の単焦点平面法より6倍の40ナノメートルの軸方向局在精度を実現する。
• 参考スコア（独自算出の注目度）: 2.612019169899311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately tracking particles and determining their position along the optical axis is a major challenge in optical microscopy, especially when extremely high precision is needed. In this study, we introduce a deep learning approach using convolutional neural networks (CNNs) that can determine axial positions from dual-focal plane images without relying on predefined models. Our method achieves an axial localization accuracy of 40 nanometers - six times better than traditional single-focal plane techniques. The model's simple design and strong performance make it suitable for a wide range of uses, including dark matter detection, proton therapy for cancer, and radiation protection in space. It also shows promise in fields like biological imaging, materials science, and environmental monitoring. This work highlights how machine learning can turn complex image data into reliable, precise information, offering a flexible and powerful tool for many scientific applications.
• Abstract（参考訳）: 粒子を正確に追跡し、光学軸に沿った位置を決定することは、特に非常に高精度な光学顕微鏡において大きな課題である。 本研究では,畳み込みニューラルネットワーク(CNN)を用いた深層学習手法を提案する。 本手法は従来の単焦点平面法より6倍の40ナノメートルの軸方向局在精度を実現する。 このモデルのシンプルな設計と強力な性能は、暗黒物質の検出、がんに対するプロトン療法、宇宙での放射線防護など、幅広い用途に適している。 また、生体イメージング、材料科学、環境モニタリングなどの分野でも有望である。 この研究は、機械学習が複雑な画像データを信頼できる正確な情報に変える方法を強調し、多くの科学的応用に柔軟で強力なツールを提供する。

関連論文リスト

• From Stars to Molecules: AI Guided Device-Agnostic Super-Resolution Imaging [0.0]
  超高解像度イメージングは、分子構造から遠い銀河までの研究に革命をもたらした。 既存の超解像法では、各撮像装置のキャリブレーションと再訓練が必要であり、実際の展開を制限している。 本稿では,光学系パラメータの校正データや明示的な知識を不要とする,点状エミッタの超高分解能イメージングのためのデバイス非依存のディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-25T20:54:27Z)
• 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)
• Toward Efficient Visual Gyroscopes: Spherical Moments, Harmonics Filtering, and Masking Techniques for Spherical Camera Applications [83.8743080143778]
  視覚ジャイロスコープは、画像を通してカメラの回転を推定する。 従来のRGBカメラに比べて視野が広い全方位カメラの統合は、より正確で堅牢な結果をもたらすことが証明されている。 本稿では,効率的なマルチマスク・フィルタ回転エステータと学習に基づく最適化を組み合わせた,新しい視覚ジャイロスコープを導入することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-02T13:19:06Z)
• Machine learning-based spin structure detection [0.0]
  我々は,この測定におけるスカイミオンの位置と形状を検出するために,セグメンテーション問題に特化して設計された畳み込みニューラルネットワークについて報告する。 本研究の結果から, よく訓練されたネットワークは, 磁気顕微鏡におけるデータ前処理の自動化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:19:31Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Ultrafast Focus Detection for Automated Microscopy [0.0]
  連続的に収集した電子顕微鏡画像に対する高速な焦点検出アルゴリズムを提案する。 本手法は, 従来のコンピュータビジョン技術に適応し, 様々な微細な組織学的特徴を検出する手法である。 アウト・オブ・フォーカス条件をほぼリアルタイムに検出するテストが実施されている。
  論文  参考訳（メタデータ） (2021-08-26T22:24:41Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)

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。