在高分辨率TEM图像中增强语义细分:对批量规范化和实例规范化进行比较研究
Bashir Kazimi1, Stefan Sandfeld1,2
1Institute for Advanced Simulation-Materials Data Science and Informatics (IAS-9), Forschungszentrum Jülich GmbH, Jülich 52425, Germany.
概括
在传输电子显微镜 (TEM) 图像分析的深度学习中,实例规范化 (IN) 优于批量规范化 (BN). 这一发现是使用语义细分模型准确,高通量纳米材料表征的关键.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 计算机视觉 计算机视觉
背景情况:
- 深度学习 (DL) 增强了传输电子显微镜 (TEM) 对材料科学的图像分析.
- 在复杂的TEM数据集中,DL自动化功能检测并加速数据分析.
- 精确的纳米和微尺度表征对于纳米粒子研究至关重要.
研究的目的:
- 研究批量规范化 (BN) 与实例规范化 (IN) 对TEM图像语义细分的DL模型性能的影响.
- 在U-Net和ResNet架构中比较BN和IN,用于高分辨率的TEM图像分析.
- 确定基于DL的TEM图像分析的最佳规范化技术.
主要方法:
- 训练的U-Net和ResNet模型使用BN和IN.
- 在两个不同的高分辨率TEM图像数据集上评估模型性能.
- 利用语义细分来准确识别特征.
主要成果:
- 实例规范化 (IN) 始终表现优于批量规范化 (BN).
- IN获得了较高的子得分和交叉与联盟 (IoU) 的指标.
- 规范化选择显著影响DL模型在TEM图像上的性能.
结论:
- 实例规范化优于批量规范化,用于基于深度学习的TEM图像语义细分.
- 选择合适的规范化方法对于在材料科学应用中最大限度地提高DL模型性能至关重要.
- 这项研究为优化电子显微镜中的DL工作流提供了必要的见解.
