相关实验视频
Updated: Jul 15, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.9K
原子细分的基准测试 深度学习模型与一致的数据集
Jingrui Wei1, Ben Blaiszik2,3, Aristana Scourtas2,3
1Department of Materials Science and Engineering, University of Wisconsin-Madison, Madison, WI, USA.
概括
我们开发了一个基准数据集来评估神经网络 (NN) 模型,用于在扫描传输电子显微镜 (STEM) 图像中定位原子列. 性能因图像质量和训练集之外的数据而异.
科学领域:
- 材料科学 材料科学 材料科学
- 电子显微镜电子显微镜
- 计算科学 计算科学
背景情况:
- 原子分辨率扫描传输电子显微镜 (STEM) 图像包含关键信息,通常由原子列位置总结.
- 神经网络 (NN) 提供了高效的,自动化的方法来定位STEM图像中的原子列,从而导致众多模型和数据集.
研究的目的:
- 建立一个基准数据集,用于评估在STEM图像中的原子列定位中使用的NN模型.
- 评估最近的NN模型在模拟和实验STEM数据上的性能.
主要方法:
- 开发一个全面的基准数据集,包括模拟和实验STEM图像.
- 使用基准数据集评估两个不同的NN模型,以确定它们在原子位置上的准确性.
主要成果:
- 两种NN模型在各种图像质量和晶格上都表现出高性能.
- 基于图像质量观察到显著的性能差异.
- 模型在与训练数据不相似的图像上表现不佳,例如具有高背景强度变化的接口.
结论:
- 基准数据集和评估的NN模型是材料科学界的宝贵资源.
- 通过 Foundry 服务的可用性促进了这些机器学习工具的传播,发现和重用.
- 需要进一步开发,以改善NN的稳定性,以适应各种成像条件和数据类型.
