使用机器学习技术结合高分辨率透射电子显微镜等方法进行纳米材料表征的研究，通过构建复杂的纳米尺度原子结构，生成大规模的模拟数据库用于训练神经网络，实现对纳米颗粒的分割并探索数据整理过程中不同因素对模型性能的影响。使用纯合成数据能够在实验基准上取得业内领先的纳米颗粒分割性能，并通过实验结果提出了在实验设置中稳定实现高性能的机器学习策略。

Sep, 2023

本论文探讨了在电子显微镜中使用机器学习来进行数据分析和优化工作流程的挑战，并讨论了人类科学家和机器学习在实验工作流程中的相对贡献以及开发通用超级语言的需求。

Apr, 2023

本专业研究了机器学习在电子显微数据集分析中的应用问题，因为这种类型的数据集具有许多挑战，包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现，使用 EA 方案的集合设计比 ER 方式更适合处理这些问题，因为 EA 表现出更好的分类精度和更好的校准性，而这两种集合的不确定性量化相当。

Sep, 2022

我们研究了一种机器学习技术，用于通过液体透射电子显微镜（LC-TEM）在原位观察期间对所获得的图像进行细化。我们的模型采用了 U-Net 架构和 ResNet 编码器。通过准备一个原始图像数据集进行训练，其中包含了使用和不使用溶液的样品的图像对。训练后的模型可以将噪声图像转换为清晰的图像，转换时间约为 10 毫秒，并且我们将该模型应用于使用 Gatan DigitalMicrograph（DM）软件进行原位观察时。即使由于低电子剂量原因，DM 软件的视图窗口中看不到纳米颗粒，但在我们的机器学习模型生成的连续细化图像中是可见的。

Oct, 2023

本文介绍了如何将深度学习中的图像去噪方法应用于冷冻透射电子显微镜（cryo-TEM）数据中，实现了对每个投影和整个图像容量的去噪，并通过自动化下游处理的方式证明了去噪后数据的可解释性和提高的分割结果。

Oct, 2018

本研究提出了用于分割位错的合成训练数据的参数模型，并开发了一种优化分割重叠或相交位错线的深度学习方法，该方法在多种微结构和成像条件下都表现出高效性和优越性。

Jul, 2023

本文介绍了一种新的元学习方法 Meta Networks（MetaNet），它通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，同时保持了以前所学的性能表现，在 Omniglot 和 Mini-ImageNet 基准测试中，我们的 MetaNet 模型实现了接近人类水平的表现，并在准确性上优于基线方法高达 6％。我们展示了 MetaNet 的几个有吸引力的性质，如泛化和持续学习。

Mar, 2017

本研究评估比较不同的训练神经网络技术，提出为小型数据集提高模型准确度的方法，并发现迁移学习对于重复利用以前学习的特征有重要作用，特别是在医学图像应用中。

Dec, 2019

本文提出一种基于加性噪声和神经风格迁移技术的电子显微镜前向算子模拟方法，加速了数据生成过程，同时利用 GPU 加速和并行处理，可作为数据增强技术或单独使用以适应数据集，其在粒子定位和分类任务上的表现与基准相当，并且需要的训练数据集要少 33 倍。

Apr, 2023

自动样品制备和电子显微镜使得大规模图像数据采集成为可能，基于此，本文提出了一种 pipeline 系统，通过结合随机森林分类和条件随机场框架，能够完成大规模电子显微镜数据的分割和自动化标注，从而实现了大规模 3D 神经元的重建和可视化。

Mar, 2013