Overcoming Labelled Data Scarcity for Defect Classification in Scanning Tunneling Microscopy

작성자

Haebom

카테고리

Empty

저자

Nikola L. Kolev, Max Trouton, Filippo Federici Canova, Geoff Thornton, David Z. Gao, Neil J. Curson, Taylor J. Z. Stock

💡 개요

본 논문은 원자 분해능 이미징 기술인 주사 터널링 현미경(STM) 이미지 분석에서 수동 레이블링의 어려움을 극복하기 위해 소수샷 학습(few-shot learning)과 비지도 학습(unsupervised learning)을 결합한 자동화된 객체 분할 방법을 제안합니다. 이 접근 방식은 대규모 수동 주석 데이터셋의 필요성을 제거하여 새로운 표면에 대한 적응성을 높이면서도 높은 정확도를 유지합니다.

🔑 시사점 및 한계

•

수동 레이블링 없이도 STM 이미지에서 원자 수준의 특징을 효율적으로 분류하고 분할할 수 있는 자동화된 방법을 제시합니다.

•

소수샷 학습 및 비지도 학습을 통해 새로운 표면이나 이전에 보지 못했던 분자에 대한 모델의 적응성을 크게 향상시켰습니다.

•

단 하나의 추가 레이블링된 데이터만으로도 새로운 표면에 모델을 성공적으로 적용할 수 있는 높은 일반화 능력을 보여줍니다.

•

향후 연구에서는 더 복잡한 표면 구조 및 다양한 종류의 결함을 포함하는 보다 포괄적인 재료 독립적인 자동 분할 시스템 개발을 목표로 할 수 있습니다.

PDF 보기

Made with Slashpage