Nano1D:一种用于低维目标分割与分析的精确计算机视觉模型
本文研究灵活使用 AI 技术在纳米材料表征领域,以卷积自编码器为基础,探索可解释的人工智能提取纳米材料形态特征的新方法,并实现了一个开放的平台用于纳米材料图像的深度可视化研究。
Jan, 2022
本研究提出了一个针对扫描电子显微镜(SEM)图像的纳米粒子精确检测和全面分析的计算框架。该框架利用 Python 的强大图像处理能力,特别是利用 OpenCV、SciPy 和 Scikit-Image 等库,采用阈值处理、膨胀和腐蚀等技术提高图像处理结果的准确性。该框架在 RStudio 环境中无缝集成了纳米粒子数据,用于详细的后处理分析,包括模型准确性评估,特征分布模式识别和复杂的颗粒排列研究。该框架在主要样本图像中表现出了高纳米粒子识别率,并在来自 SEM 纳米粒子数据集的五个不同测试图像上具有 97%的粒子检测准确率。此外,该框架还能够识别出低强度纳米粒子,并绕过对照组的手动标记。
Aug, 2023
本文提出了一种叠加分割图像识别方法,可实现硅晶体纳米粒子 SEM 图像的自动识别和信息统计,该方法基于形态处理算法实现有效的粒径识别和轮廓统计,并在不同的 SEM 拍摄条件下优于其他方法
Jun, 2022
本文基于 CNN 的深度学习结构,针对显微镜图像中的目标分割和结构定位问题进行了研究,经过多重分辨率训练和中间层连接优化,通过多分辨率反卷积滤波器生成输出,在公开数据集上取得了优异的成果。
Apr, 2018
本论文提出了一种基于 CNN 的方法 NuClick,可以快速收集核、细胞,以及腺体细胞等许多应用于计算机病理学 / 细胞学的计算机处理对象的注释,并提出了一种新的引导信号,使 NuClick 能够分割腺体的边界。在实验证明,NuClick 能够适应不同的目标尺度,对用户输入的不同变化具有强大的鲁棒性,并且提供可靠的标注,对它标准产生的实例分割模型在 LYON19 挑战中获得了第一名。
May, 2020
本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题,提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架,并证明了该方法可以准确地检测并划分缺陷图案
Jul, 2023
本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法,通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集,对各种数据集成功地完成了核分割任务。
Jan, 2018
本文提出了一种新的方法来解决二维量子材料在硅芯片中的检测问题,该方法利用实例分割重点解决了缺少注释数据的问题,并通过自动检测假阴性物体和基于注意力的损失策略来减少这些物体对整体损失函数的负面影响,实验表明该方法优于之前的工作。
May, 2022
提出了一种名为 M3D-NCA 的新方法,利用神经细胞自动机(NCA)分割 3D 医学图像,并开发了一种新的质量度量方法来自动检测 NCA 分割过程中的错误。M3D-NCA 在海马体和前列腺分割方面比两个更大的 UNet 模型表现优异,其 Dice 系数提高了 2%,并且可以在资源受限环境下的 Raspberry Pi 4 Model B(2GB RAM)上运行,展示了 M3D-NCA 作为医学图像分割的有效和高效替代方法的潜力。
Sep, 2023
使用显微镜分析自动排列物,结合 SegmentAnything 精确划定个体排列物的全面管道和形态学性质(周长、面积、半径、非平滑度和非圆形度),加速排列物形态学分析。
Sep, 2023