用于 4D-STEM 取向映射的无监督多聚类与决策策略
机器学习
2025-11-18 v1 计算机视觉与模式识别
图像与视频处理
摘要
本研究提出了一种新颖的无监督学习与决策策略集成方法，用于 4D-STEM 数据集的高级分析，并以非负矩阵分解（NMF）作为主要聚类方法。我们的方法引入了一个系统性框架，以确定实现稳健且可解释的取向映射所需的最佳组件数（k）。通过利用 K 组件损失方法和图像质量评估（IQA）指标，我们有效平衡了重建保真度与模型复杂度。此外，我们强调了数据集预处理在提升聚类稳定性和准确性方面的关键作用。进一步地，我们的空间权重矩阵分析通过采用基于阈值的可视化，提供了对数据集内重叠区域的深入见解，从而促进对聚类相互作用的详细理解。结果表明，将 NMF 与先进的 IQA 指标和预处理技术相结合，在 4D-STEM 数据集中进行可靠的取向映射和结构分析具有巨大潜力，为未来在多维材料表征中的应用铺平了道路。
引用
@article{arxiv.2503.06699,
title = {Unsupervised Multi-Clustering and Decision-Making Strategies for 4D-STEM Orientation Mapping},
author = {Junhao Cao and Nicolas Folastre and Gozde Oney and Edgar Rauch and Stavros Nicolopoulos and Partha Pratim Das and Arnaud Demortière},
journal= {arXiv preprint arXiv:2503.06699},
year = {2025}
}
备注
32 pages, 5 figures, 5 figures in SI