DeepFreak：利用自动化机器学习学习晶体学衍射图样
机器学习
2019-05-06 v2 计算机视觉与模式识别
机器学习
摘要
串行晶体学是通过衍射图样研究晶体结构与性质的学科。本文中，我们引入了一个由真实与合成图像组成的新串行晶体学数据集；合成图像通过使用可扩展且精确的模拟器生成。所得数据集称为 DiffraNet，由 25,457 张 512x512 灰度标注图像组成。我们探索了多种用于 DiffraNet 分类的计算机视觉方法，例如与随机森林和支持向量机相关联的标准特征提取算法，以及一个专为在该新数据集上工作而设计的端到端 CNN 拓扑结构 DeepFreak。所有实现均公开可用，并使用现成的 AutoML 优化工具进行了微调以保证公平比较。我们的最佳模型在合成图像上达到 98.5% 的准确率，在真实图像上达到 94.51% 的准确率。我们相信 DiffraNet 数据集及其分类方法从长远来看将对加速包括化学、地质学、生物学、材料科学、冶金学和物理学在内的许多学科中的发现产生积极影响。
引用
@article{arxiv.1904.11834,
title = {DeepFreak: Learning Crystallography Diffraction Patterns with Automated Machine Learning},
author = {Artur Souza and Leonardo B. Oliveira and Sabine Hollatz and Matt Feldman and Kunle Olukotun and James M. Holton and Aina E. Cohen and Luigi Nardi},
journal= {arXiv preprint arXiv:1904.11834},
year = {2019}
}