ترجمه فارسی مقاله تقسیم بندی تصویر پاداش بدون نظارت در آزمایشات میکروسکوپی الکترونی عبوری اسکن خودکار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Unsupervised Reward-Driven Image Segmentation in Automated Scanning Transmission Electron Microscopy Experiments
عنوان مقاله به فارسی تقسیم بندی تصویر پاداش بدون نظارت در آزمایشات میکروسکوپی الکترونی عبوری اسکن خودکار
نویسندگان Kamyar Barakati, Utkarsh Pratiush, Austin C. Houston, Gerd Duscher, Sergei V. Kalinin
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Human-Computer Interaction,Machine Learning,علم مواد , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 19 September, 2024; originally announced September 2024. , Comments: 17 pages, 6 images
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 17 صفحه ، 6 تصویر
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Automated experiments in scanning transmission electron microscopy (STEM) require rapid image segmentation to optimize data representation for human interpretation, decision-making, site-selective spectroscopies, and atomic manipulation. Currently, segmentation tasks are typically performed using supervised machine learning methods, which require human-labeled data and are sensitive to out-of-distribution drift effects caused by changes in resolution, sampling, or beam shape. Here, we operationalize and benchmark a recently proposed reward-driven optimization workflow for on-the fly image analysis in STEM. This unsupervised approach is much more robust, as it does not rely on human labels and is fully explainable. The explanatory feedback can help the human to verify the decision making and potentially tune the model by selecting the position along the Pareto frontier of reward functions. We establish the timing and effectiveness of this method, demonstrating its capability for real-time performance in high-throughput and dynamic automated STEM experiments. The reward driven approach allows to construct explainable robust analysis workflows and can be generalized to a broad range of image analysis tasks in electron and scanning probe microscopy and chemical imaging.

چکیده به فارسی (ترجمه ماشینی)

آزمایشات خودکار در اسکن میکروسکوپ الکترونی عبوری (STEM) برای بهینه سازی نمایش داده ها برای تفسیر انسان ، تصمیم گیری ، طیف سنجی های انتخابی سایت و دستکاری اتمی نیاز به تقسیم سریع تصویر دارد.در حال حاضر ، وظایف تقسیم بندی به طور معمول با استفاده از روشهای تحت نظارت ماشین ، که به داده های دارای برچسب انسان نیاز دارند و نسبت به اثرات رانش خارج از توزیع ناشی از تغییر در وضوح ، نمونه گیری یا شکل پرتو حساس هستند ، انجام می شود.در اینجا ، ما یک گردش کار بهینه سازی پاداش را که اخیراً پیشنهادی برای تجزیه و تحلیل تصویر پرواز در STEM ارائه می دهیم ، عملیاتی و معیار می کنیم.این رویکرد بدون نظارت بسیار قوی تر است ، زیرا به برچسب های انسانی متکی نیست و کاملاً قابل توضیح است.بازخورد توضیحی می تواند به انسان کمک کند تا تصمیم گیری را تأیید کند و با انتخاب موقعیت در امتداد مرز پارتو از توابع پاداش ، مدل را تنظیم کند.ما زمان و اثربخشی این روش را تعیین می کنیم ، که توانایی آن را برای عملکرد در زمان واقعی در آزمایشات با توان بالا و پویا STEM خودکار نشان می دهد.رویکرد پاداش رانده شده اجازه می دهد تا گردش کار آنالیز قوی قابل توضیح را ایجاد کند و می تواند در طیف گسترده ای از کارهای تجزیه و تحلیل تصویر در میکروسکوپ پروب الکترون و اسکن و تصویربرداری شیمیایی تعمیم یابد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.