深度生成模型辅助的电子显微镜图像分割自动标注
材料科学
2024-07-30 v1 图像与视频处理
摘要
深度学习的快速发展促进了电子显微镜（EM）大数据栈的自动化处理。然而，设计一个消除手动标注并适应领域差距的框架仍具有挑战性。当前研究仍陷入在追求完全自动化的同时仍需仿真或轻微手动标注的困境。本文展示了单轨生成对抗网络（tGAN），一个完全无标签且无仿真的管道，能够生成用于计算机视觉训练的 EM 图像。tGAN 可整合新数据堆的关键特征，从而为自动化 EM 分析工具的训练生成定制的虚拟数据集。以用于分析支持催化剂颗粒尺寸分布为示例，实验结果表明，tGAN 的识别准确率甚至超过手动标注方法的 5%。它还可在没有进一步手动操作的情况下适应 various data domains，这一点通过从 HAADF-STEM 向 BF-TEM 的迁移学习得到验证。这一通用性可能使其扩展到更广泛的成像表征应用，释放显微学家和材料科学家的繁琐数据集标注工作。
引用
@article{arxiv.2407.19544,
title = {Deep Generative Models-Assisted Automated Labeling for Electron Microscopy Images Segmentation},
author = {Wenhao Yuan and Bingqing Yao and Shengdong Tan and Fengqi You and Qian He},
journal= {arXiv preprint arXiv:2407.19544},
year = {2024}
}