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.)
一种用于从低信噪比透射电子显微镜图像中进行原子识别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
Affiliation
|
透射电子显微镜 （TEM） 的最新进展使得能够以前所未有的小至数十皮米 （pm） 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，但在具有强烈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的放大倍率进行参数调整。为了克服这些挑战，提出了 AtomID-Net，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。该模型在真实图像上进行训练，即使在存在背景噪声和污染的情况下，也能稳健有效地检测原子位置。对 50 张分辨率为 800 × 800 的图像的测试集进行评估，平均 F1 分数为 0.964，这表明与现有的峰值查找算法相比有了显着改进。
"点击查看英文标题和摘要"
京公网安备 11010802027423号