基于联合不变变分自编码器的成像数据鲁棒特征解耦：从卡片到原子
数据分析、统计与概率
2021-04-22 v1 机器学习
摘要
近期，从天文光学与射电望远镜观测的天体到电子与探针显微镜分辨的原子和分子，成像技术的进展正产生海量成像数据，其中包含从原子到天文尺度宇宙结构的信息。经典深度卷积神经网络架构在传统上对于具有显著取向无序的数据集表现不佳，即在图像平面中具有任意取向的相同或相似物体的多个副本的数据集。类似地，虽然聚类方法非常适合离散类别的分类，而流形学习与变分自编码器方法能够解耦数据表示，但这一组合问题并不适合经典的非监督学习范式。在此我们引入一种联合旋转（和平移）不变变分自编码器（j-trVAE），其非常适合于此类问题的求解。该方法的性能在多个合成数据集上得到验证，并推广至电子与扫描探针显微镜的高分辨率成像数据。我们表明，潜空间行为直接与已知的铁电材料与量子系统物理相吻合。我们进一步指出，通过施加拓扑结构或有向图关系来设计潜空间结构，可应用于拓扑发现与因果物理学习。
引用
@article{arxiv.2104.10180,
title = {Robust Feature Disentanglement in Imaging Data via Joint Invariant Variational Autoencoders: from Cards to Atoms},
author = {Maxim Ziatdinov and Sergei Kalinin},
journal= {arXiv preprint arXiv:2104.10180},
year = {2021}
}