关于计算机视觉在材料图像中的表征主要应用有如下方面:
- 图像分类
- 自动调整实验图像参数
- 语义分割
- 超分辨率成像
- 对象识别、定位与跟踪
图像分类
图像的分类和回归其实可以一起来分析,这两种方法在DL的训练过程中,我们只需要把注意力放在输出上。分类的输出是离散的,回归的输出是连续的。
这篇应用DL和迁移学习来自动分来不同材料的SEM图像中就完整的提出了SEM图像分类的过程。其中最值得学习的地方就是-----迁移学习。
(简单来说迁移学习就是利用已存在的函数模型,通过新的输入数据再次训练,像人脑一样,我们每次解决一个问题的时候,下次遇到类似的问题,总会借鉴上一次的方法)。
本文在SEM数据集上应用迁移学习的方法主要步骤:
- 通过SEM数据集的新输入参数,重新训练网络的softmax和全连接层,并使用Inception-V3进行特征提取
- 使用各个模型进行精度比较
- 分类完成后进行评价
【深度学习|DL在材料化学中(基于图像模型)的应用】通过ML自动分析电子衍射图案参数
文章图片
使用CNN,自动分析图像中心位置,旋转角度,倾斜角度等参数
对象实体识别,定位与跟踪
本文提到了利用深度全卷积神经网络探测原子是否存在,并预测其原子柱(列),对原子排列进行分析,并得出是何种结构导致晶体材料的缺陷的表征
文章图片
一张或者多张的TEM图像通过CNN后分出背景图,1-5的原子序高,并输出为1-6的概率图并解释。
语义分割
推荐阅读
- 物联网及AI前沿技术专栏|智慧家庭中的人体动作识别研究综述
- 深度学习|Tensorflow操作明细
- 机器学习|神经网络(二)回归与线性模型
- 计算机视觉|SPP Net 空间金字塔池化(Spatial Pyramid Pooling, SPP)原理
- 目标检测|空间金字塔池化(SPP)
- 基于深度学习的图像识别|#21天学习挑战赛—深度学习实战100例#——乳腺癌识别
- 深度学习各种积累|Yolov3/Yolov4原理对比改进创新
- 深度学习|faster rcnn 中的 region proposal函数(proposal_layer、anchor_target_layer、proposal_target_layer)
- 神经网络|深度学习入门笔记-第三章-神经网络