Oct, 2023

基于 U-Net 架构的粉末 X 射线衍射图像分割

PDF
TL;DR通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。
in situ synchrotron high-energy powder x-ray diffractionartifactsdeep learning convolutional neural networku-netspost-processing xrd data
发现论文，激发创造
  • 数字岩石物理中岩石图像分割的增强：生成式人工智能与先进神经网络的融合

    在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

    Nov, 2023

  • 基于可解释的卷积神经网络的极少数据下 X 射线衍射光谱快速识别

    本文报道了一种使用卷积神经网络 (CNN) 对金属 - 有机框架 (MOFs) 实验 X-ray 衍射谱进行快速识别的方法，并使用数据增强技术对模型进行训练，进而实现其自主分析数据，打开了使用不同物料的 XRD 谱进行识别的众多潜在应用的可能，并为自主分析其他表征工具（如 FTIR，拉曼和 NMR）的数据铺平了道路。

    Dec, 2019

  • 基于 U-Net 的循环残差卷积神经网络（R2U-Net）用于医学图像分割

    本文介绍了一种基于 U-Net 的循环卷积神经网络（RCNN）基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络（RRCNN）基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。

    Feb, 2018

  • Res-U2Net：用于相位恢复和图像重建的未训练深度学习

    使用未经训练的 Res-U2Net 模型进行相位恢复，并利用提取的相位信息确定物体表面的变化，并生成其三维结构的网格表示。与 GDXRAY 数据集中的 UNet 和 U2Net 相比较，对 Res-U2Net 相位恢复方法的性能进行了比较。

    Apr, 2024

  • 利用数据增强和深度神经网络快速且易于解释地对小型 X 射线衍射数据集进行分类

    本研究针对开发新薄膜材料中最耗时的 X 射线衍射数据收集和分析提出了机器学习模型，该模型可以从有限数量的薄膜 XRD 模式中预测结晶维度和空间群，并使用模型无关的物理驱动数据扩充策略来克服材料开发中固有的稀缺数据问题，经过测试，该模型具有 93% 和 89% 的维数和空间群分类交叉验证精度。

    Nov, 2018

  • 使用深度学习进行 X 射线图像中非法物品的视觉检查

    自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

    Oct, 2023

  • WiTUnet：一种融合 CNN 和 Transformer 的 U 形架构，用于改善特征对齐和本地信息融合

    本文介绍了一种名为 WiTUnet 的新型 LDCT 图像去噪方法，该方法利用嵌套的密集跳跃路径代替传统的跳跃连接来改进特征整合，同时在编码器和解码器中增加了局部图像感知增强 (LiPe) 模块以提高局部特征捕获和表示能力；通过广泛的实验比较，WiTUnet 在峰值信噪比 (PSNR)、结构相似度 (SSIM) 和均方根误差 (RMSE) 等关键指标上表现出优越的性能，显著提高了去噪和图像质量。

    Apr, 2024

  • 通过机器学习辅助方法提高 X 射线微 CT 系统的能力

    通过使用基于卷积神经网络（CNN）的深度学习模型，本文介绍了一种受到 UNet 启发的架构，其中包括一系列的编码器、解码器单元以及跳跃连接，用于去除 X 射线微 CT 图像中的环形伪影。结果表明，与传统的基于滤波器的非机器学习技术相比，所提出的架构在消除环形伪影方面取得了更好的效果。

    Feb, 2024

  • 一种基于概率深度学习的自动化多相衍射谱解释方法

    设计了一种基于深度学习和概率算法的新型自动合成无机材料的方法，可在高通量和自主发现无机材料的工作流程中使用，具有出色性能和准确度。

    Mar, 2021

  • ReconU-Net: 采用反投影引起的跳跃连接的 U-Net 结构进行 PET 图像直接重建

    通过引入一种新的背投影诱导的 U-Net 形状的架构 ReconU-Net，本研究旨在使用基于深度学习的直接正电子发射断层扫描（PET）图像重建来改进重建图像的准确性，并通过与其他无跳跃连接的编码器 - 解码器架构进行比较，分析直接 PET 图像重建的行为并获得更深层次的洞察力。

    Dec, 2023