論文の概要: Overcoming Data Scarcity in Scanning Tunnelling Microscopy Image Segmentation

• arxiv url: http://arxiv.org/abs/2506.01678v1
• Date: Mon, 02 Jun 2025 13:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.41407
• Title: Overcoming Data Scarcity in Scanning Tunnelling Microscopy Image Segmentation
• Title（参考訳）: 走査トンネル顕微鏡画像分割におけるデータスカシティの克服
• Authors: Nikola L. Kolev, Max Trouton, Filippo Federici Canova, Geoff Thornton, David Z. Gao, Neil J. Curson, Taylor J. Z. Stock,
• Abstract要約: 本稿では,数ショット学習と教師なし学習の両方を用いたSTM画像のセグメンテーションに対する自動アプローチを提案する。 3つの異なる表面における原子の特徴を認識するために,本手法の有効性を実証する。 この研究は、STM画像の効率的かつ物質に依存しない自動セグメンテーションに向けた重要なステップである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scanning tunnelling microscopy (STM) is a powerful technique for imaging surfaces with atomic resolution, providing insight into physical and chemical processes at the level of single atoms and molecules. A regular task of STM image analysis is the identification and labelling of features of interest against a uniform background. Performing this manually is a labour-intensive task, requiring significant human effort. To reduce this burden, we propose an automated approach to the segmentation of STM images that uses both few-shot learning and unsupervised learning. Our technique offers greater flexibility compared to previous supervised methods; it removes the requirement for large manually annotated datasets and is thus easier to adapt to an unseen surface while still maintaining a high accuracy. We demonstrate the effectiveness of our approach by using it to recognise atomic features on three distinct surfaces: Si(001), Ge(001), and TiO$_2$(110), including adsorbed AsH$_3$ molecules on the silicon and germanium surfaces. Our model exhibits strong generalisation capabilities, and following initial training, can be adapted to unseen surfaces with as few as one additional labelled data point. This work is a significant step towards efficient and material-agnostic, automatic segmentation of STM images.
• Abstract（参考訳）: 走査型トンネル顕微鏡(STM)は、原子分解能で表面をイメージングする強力な技術であり、単一原子や分子のレベルでの物理的および化学的過程の洞察を提供する。 STM画像解析の通常の課題は、一様背景に対する特徴の識別とラベル付けである。 これを手作業で行うことは労働集約的な作業であり、かなりの人的努力を要する。 この負担を軽減するために,数発の学習と教師なし学習の両方を用いたSTM画像のセグメンテーションへの自動アプローチを提案する。 提案手法は従来の教師付き手法に比べて柔軟性が高く,手動で注釈付けした大規模なデータセットの要求を排除し,高い精度を維持しつつ,目に見えない面に適応しやすくする。 シリコンおよびゲルマニウム表面に吸着したAsH$_3$分子を含むSi(001), Ge(001), TiO$_2$(110) の3つの異なる表面における原子的特徴を認識するために, 本手法の有効性を示す。 我々のモデルは強力な一般化能力を示し、初期訓練の後、ラベル付きデータポイントを1つ加えるだけで、目に見えない面に適応できる。 この研究は、STM画像の効率的かつ物質に依存しない自動セグメンテーションに向けた重要なステップである。

関連論文リスト

• Zero-shot Autonomous Microscopy for Scalable and Intelligent Characterization of 2D Materials [41.856704526703595]
  従来、原子スケールの材料の特徴付けには、数ヶ月から数年の専門的な訓練を必要とする。 このボトルネックは、大規模なトレーニングデータセットを必要とせずに研究目的を理解できる完全自律的な実験システムへの需要を加速させる。 本稿では,2次元材料の完全自律的ゼロショットキャラクタリゼーションを実現するため,基礎モデルを統合するエンドツーエンドフレームワークであるATOMICを提案する。
  論文  参考訳（メタデータ） (2025-04-14T14:49:45Z)
• MIRAM: Masked Image Reconstruction Across Multiple Scales for Breast Lesion Risk Prediction [2.0199924721373392]
  Masked Image Modeling (MIM) はより強力なSSL技術として登場した。 本稿では,より困難なプリテキストタスクを中心に,スケーラブルで実用的なSSLアプローチを提案する。 我々の仮説は、高解像度画像の再構成により、より微細な空間的詳細に対応することができるというものである。
  論文  参考訳（メタデータ） (2025-03-10T10:32:55Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Adapting Segment Anything Model (SAM) through Prompt-based Learning for Enhanced Protein Identification in Cryo-EM Micrographs [16.923131723754192]
  低温電子顕微鏡(cryo-EM)は構造生物学において重要な存在である。 TopazやcrYOLOといった最近のAIツールは、Cryo-EMイメージの課題を完全に解決していない。 本研究では,最先端画像分割基盤モデルセグメンション・アプライシング・モデルに適応するための即時学習について検討した。
  論文  参考訳（メタデータ） (2023-11-04T14:20:08Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• 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)

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。