利用卷积神经网络对X射线自由电子激光单颗粒成像实验中的衍射图样进行分类
图像与视频处理
2021-04-23 v1 计算物理
数据分析、统计与概率
摘要
单颗粒成像（SPI）是一种有前景的原生结构测定方法，随着 X 射线自由电子激光（X-ray Free-Electron Lasers）的发展而快速进步。SPI 实验期间会收集大量数据，从而需要自动化的数据分析。必要的数据分析流程包含若干步骤，包括二值目标分类（单颗粒与多颗粒命中）。分类与目标检测是当前深度神经网络优于其他方法的领域。本工作中，我们使用快速目标检测网络 YOLOv2 与 YOLOv3。通过利用迁移学习，中等规模的数据即足以训练神经网络。我们在此证明卷积神经网络（CNN）可成功用于对 SPI 实验数据分类。我们通过将两种不同深度与架构的网络应用于具有不同数据表示的同一 SPI 数据，比较了它们的分类结果。最佳结果来自 YOLOv2 彩色图像线性尺度分类，其准确率约为 97%，精确率与召回率分别约为 52% 和 61%，此结果与人工数据分类相比较。
引用
@article{arxiv.2008.07288,
title = {Classification of diffraction patterns in single particle imaging experiments performed at X-ray free-electron lasers using a convolutional neural network},
author = {Alexandr Ignatenko and Dameli Assalauova and Sergey A. Bobkov and Luca Gelisio and Anton B. Teslyuk and Viacheslav A. Ilyin and Ivan A. Vartanyants},
journal= {arXiv preprint arXiv:2008.07288},
year = {2021}
}
备注
23 pages, 6 figures, 3 tables