强旋转无序图像的半监督学习：组装纳米颗粒库
机器学习
2021-05-26 v1 无序系统与神经网络
材料科学
数据分析、统计与概率
摘要
光学、电子和扫描探针显微镜的激增产生了大量成像数据，其对象涵盖细胞、细菌、花粉乃至纳米颗粒、原子和分子等各异事物。在大多数情况下，实验数据流包含的图像在图内具有任意旋转和平移。同时，对于许多情形，少量标注数据以先前发表的结果、图像集和目录甚至理论模型的形式可用。在此我们开发了一种方法，能够将具有弱取向无序的小规模标注数据子集推广到具有更强取向（和位置）无序的大规模未标注数据集，即，即使在标注与未标注部分之间存在分布偏移时，也能基于少量样本对图像数据进行分类。该方法基于半监督旋转不变变分自编码器（ss-rVAE）模型，其由编码器-解码器“模块”（学习数据的旋转（和平移）不变连续隐表示）和对数据编码为有限个离散类别的分类器组成。训练后 ss-rVAE 的分类器部分继承了旋转（和平移）不变性，可独立于模型其他部分部署。ss-rVAE 的性能通过具有已知变化因子的合成数据集加以说明。我们进一步展示了其在纳米颗粒实验数据集上的应用，创建纳米颗粒库并解耦定义数据中物理变化因子的表示。复现结果的代码见 https://github.com/ziatdinovmax/Semi-Supervised-VAE-nanoparticles。
引用
@article{arxiv.2105.11475,
title = {Semi-supervised learning of images with strong rotational disorder: assembling nanoparticle libraries},
author = {Maxim Ziatdinov and Muammer Yusuf Yaman and Yongtao Liu and David Ginger and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2105.11475},
year = {2021}
}