当前位置：
X-MOL 学术
›
Small Sci.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
用于从低信噪比透射电子显微镜图像中识别原子的多尺度深度学习模型
Small Science ( IF 11.1 ) Pub Date : 2023-06-11 , DOI: 10.1002/smsc.202300031 Yanyu Lin 1 , Zhangyuan Yan 2 , Chi Shing Tsang 2 , Lok Wing Wong 2, 3 , Xiaodong Zheng 2, 3 , Fangyuan Zheng 2 , Jiong Zhao 2, 3 , Ke Chen 1, 4, 5
Small Science ( IF 11.1 ) Pub Date : 2023-06-11 , DOI: 10.1002/smsc.202300031 Yanyu Lin 1 , Zhangyuan Yan 2 , Chi Shing Tsang 2 , Lok Wing Wong 2, 3 , Xiaodong Zheng 2, 3 , Fangyuan Zheng 2 , Jiong Zhao 2, 3 , Ke Chen 1, 4, 5
Affiliation
|
透射电子显微镜 (TEM) 的最新进展使得能够以小至数十皮米 (pm) 的前所未有的尺度研究材料的原子结构。然而，从 TEM 图像中准确检测原子位置仍然是一项具有挑战性的任务。传统的高斯拟合和寻峰算法在理想条件下有效，但在具有强背景噪声或污染区域（显示为超亮或超暗对比度）的图像上表现不佳。此外，这些传统算法需要针对不同放大倍数进行参数调整。为了克服这些挑战，AtomID-Net 被提出，这是一种深度神经网络模型，用于从扫描 TEM（扫描透射电子显微镜 (STEM)）的多尺度低 SNR 实验图像中进行原子检测。该模型是在真实图像上进行训练的，即使存在背景噪声和污染，也可以稳健、高效地检测原子位置。对分辨率为 800 × 800 的 50 张图像的测试集进行评估，得出平均 F1 分数为 0.964，这表明比现有的峰值查找算法有显着改进。
"点击查看英文标题和摘要"
更新日期：2023-06-11
"点击查看英文标题和摘要"
京公网安备 11010802027423号