SpeckleNN：一种用于 X 射线单粒子成像中少标签实时散斑图分类的统一嵌入模型
机器学习
2023-02-15 v1
摘要
利用 X 射线自由电子激光（XFELs），可以通过室温下的 X 射线单粒子成像（SPI）技术确定非晶态纳米尺度粒子的三维结构。对 SPI 散射图（或称“散斑”）进行分类以提取实时否决和三维重建所需的单 hits，对欧洲 XFEL 和 LCLS-II-HE 等高数据率装置构成了挑战。在此，我们介绍 SpeckleNN，一种用于少标签实时散斑图分类的统一嵌入模型，可随数据集大小线性扩展。SpeckleNN 通过孪生神经网络训练，将散斑图映射到统一嵌入向量空间，其中相似性由欧氏距离度量。我们展示了其在全新未见样本上的少样本分类能力，以及即使在每个分类类别仅有数十个标签且存在大量探测器缺失区域时仍具有稳健性能。无需过多人工标注甚至完整探测器图像，我们的分类方法为实时高通量 SPI 实验提供了极佳解决方案。
引用
@article{arxiv.2302.06895,
title = {SpeckleNN: A unified embedding for real-time speckle pattern classification in X-ray single-particle imaging with limited labeled examples},
author = {Cong Wang and Eric Florin and Hsing-Yin Chang and Jana Thayer and Chun Hong Yoon},
journal= {arXiv preprint arXiv:2302.06895},
year = {2023}
}