A deep learned nanowire segmentation model using synthetic data augmentation
A deep learned nanowire segmentation model using synthetic data augmentation
复制标题
使用合成数据增强的深度学习纳米线分割模型
DOI：
10.1038/s41524-022-00767-x
复制
发表时间：
2022
影响因子：
9.7
通讯作者：
Xu, Bai-Xiang
中科院分区：
文献类型：
--
作者：
Lin, Binbin;Emami, Nima;Santos, David A.;Luo, Yuting;Banerjee, Sarbajit;Xu, Bai-Xiang
实验图像数据的自动颗粒分割和特征分析对于数据驱动的材料科学是必不可少的。基于深度学习的图像分割算法是实现这一目标的有前途的技术，但由于需要获取大量训练图像，因此使用起来具有挑战性。在本工作中，应用合成图像，在几何和视觉特征方面类似于实验图像，以训练最先进的基于掩模区域的卷积神经网络，以分割五氧化二钒纳米线，使用光谱显微镜获得的基于光学密度的图像内的阴极材料。结果表明，实例分割功率在真实的基于光强度的光谱显微镜图像的复杂的纳米线重叠的网络，并提供可靠的统计信息。该模型还可以用于分割扫描电子显微镜图像中的纳米线，这与模型已知的训练数据集有根本的不同。所提出的方法可以扩展到任何基于光学强度的图像的可变颗粒形态，材料类，和超越。
Automated particle segmentation and feature analysis of experimental image data are indispensable for data-driven material science. Deep learning-based image segmentation algorithms are promising techniques to achieve this goal but are challenging to use due to the acquisition of a large number of training images. In the present work, synthetic images are applied, resembling the experimental images in terms of geometrical and visual features, to train the state-of-art Mask region-based convolutional neural networks to segment vanadium pentoxide nanowires, a cathode material within optical density-based images acquired using spectromicroscopy. The results demonstrate the instance segmentation power in real optical intensity-based spectromicroscopy images of complex nanowires in overlapped networks and provide reliable statistical information. The model can further be used to segment nanowires in scanning electron microscopy images, which are fundamentally different from the training dataset known to the model. The proposed methodology can be extended to any optical intensity-based images of variable particle morphology, material class, and beyond.
登录
查看更多内容
具有深中心回归和几何聚类的 3D 光纤分割
DOI：
--
发表时间：
2021
期刊：
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.
影响因子：
--
作者：
Aguilar, Camilo;Comer, Mary;Hanhan, Imad;Agyei, Ronald;Sangid, Michael
通讯作者：
Sangid, Michael
使用 (R)-BINOL-6,6-二羧酸合成新型手性 Zn-MOF 并使用填充其的 HPLC 柱分离对映体
DOI：
--
发表时间：
2015
期刊：
影响因子：
--
作者：
T. Yano;M. Goto;N. Tamai;H. Matsuki;大坪 泰洋・田中 耕一
通讯作者：
大坪 泰洋・田中 耕一
影响因子：
15
作者：
Reske, Rulle;Mistry, Hemma;Strasser, Peter
通讯作者：
Strasser, Peter
影响因子：
5.2
作者：
Frei, M.;Kruis, F. E.
通讯作者：
Kruis, F. E.
影响因子：
3.3
作者：
Maganas, Dimitrios;Roemelt, Michael;Neese, Frank
通讯作者：
Neese, Frank