基于卷积神经网络的滑动窗口算法在高分辨电镜图像中的应用
Application of sliding window algorithm with convolutional neural network in high-resolution electron microscope image
查看参考文献11篇
|
文摘
|
原子峰位置的精确定位、原子像绝对强度的标定是利用原子分辨电子显微像确定材料结构的重要前提。近年来快速发展的深度学习技术在计算机视觉和目标检测领域都取得了极大的成功,受此启发,本文建立了针对单原子图像的卷积神经网络。同时并构建了含有大量单原子图像的训练数据集,用于这一卷积神经网络的训练,实现了对单原子图像的可靠检测。利用训练完成的卷积神经网络改进滑动窗口算法,实现了在原子位置检测效果上的明显提升。 |
|
其他语种文摘
|
The precise detecting of atomic peak positions and the calibration of the atomic image intensities are important prerequisites for the investigation of material structures. Using computers to automatically complete these tasks can greatly accelerate the image analysis process,making it possible to quickly process many high-resolution electron microscopy images. In recent years,the rapid development of deep learning technology has achieved great success in the field of computer vision and target detection,inspired by such advance,here a convolutional neural network for single-atom images is built,and trained with a training data set containing many single-atom images to achieve reliable detection of single-atom image targets. Using the trained convolutional neural network along with the sliding window algorithm,this method achieves a significant improvement in determining atomic positions. |
|
来源
|
电子显微学报
,2021,40(3):242-250 【扩展库】
|
|
DOI
|
10.3969/j.issn.1000-6281.2021.03.005
|
|
关键词
|
高分辨电镜图像
;
深度学习
;
卷积神经网络
;
滑动窗口算法
|
|
地址
|
1.
西安交通大学,电子与信息学部微电子学院, 陕西, 西安, 710049
2.
中国科学院西安光学精密机械研究所, 陕西, 西安, 710119
3.
杭州电子科技大学,电子信息学院, 浙江, 杭州, 310018
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1000-6281 |
|
学科
|
晶体学;自动化技术、计算机技术 |
|
基金
|
国家自然科学基金
|
|
文献收藏号
|
CSCD:6996623
|
参考文献 共
11
共1页
|
|
1.
Honkala K. Ammonia synthesis from first-principles calculations.
Science,2005,307(5709):555-562
|
CSCD被引
60
次
|
|
|
|
|
2.
Urban K W. Studying atomic structures by aberrationcorrected transmission electron microscopy.
Science,2008,321(5888):506-510
|
CSCD被引
23
次
|
|
|
|
|
3.
Jia C L. Determination of the 3D shape of a nanoscale crystal with atomic resolution from a single image.
Nature Materials,2014,13(11):1044-1049
|
CSCD被引
5
次
|
|
|
|
|
4.
邹敏杰. 铁电薄膜中180°荷电畴壁的亚埃尺度结构特性.
电子显微学报,2018,37(5):468-473
|
CSCD被引
4
次
|
|
|
|
|
5.
明文全. 成像参数对ADF STEM三维重构成像精确性的影响.
电子显微学报,2019,38(5):502-511
|
CSCD被引
4
次
|
|
|
|
|
6.
Galindo P L. The Peak Pairs algorithm for strain mapping from HRTEM images.
Ultramicroscopy,2007,107(12):1186-1193
|
CSCD被引
11
次
|
|
|
|
|
7.
Gong Y J. Band gap engineering and layer-by-layer mapping of seleniumdoped molybdenum disulfide.
Nano Letters,2014,14(2):442-449
|
CSCD被引
28
次
|
|
|
|
|
8.
南虎. 高分辨原子像中原子峰位置的精确自动判定与电极化畴的快速可视化.
电子显微学报,2016,35(3):191-200
|
CSCD被引
3
次
|
|
|
|
|
9.
Lu L. Topological defects with distinct dipole configurations in PbTiO_3/SrTiO_3 multilayer films.
Physical Review Letters,2018,120(17):177601
|
CSCD被引
5
次
|
|
|
|
|
10.
Lecun Y. Deep learning.
Nature,2015,521(7553):436-444
|
CSCD被引
3474
次
|
|
|
|
|
11.
Abadi M. TensorFlow: large-scale machine learning on heterogeneous distributed systems.
arXiv: 1603.04467[cs.DC]
|
CSCD被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问