DL在材料化学中（基于图像模型）的应用

关于计算机视觉在材料图像中的表征主要应用有如下方面：

• 图像分类
• 自动调整实验图像参数
• 语义分割
• 超分辨率成像
• 对象识别、定位与跟踪

下面将从各个应用进行具体的分析与方法的探讨，总结出一套完整适用的规律，对于STEM图像获取，可以去AtomImageNet。

图像分类

图像的分类和回归其实可以一起来分析，这两种方法在DL的训练过程中，我们只需要把注意力放在输出上。分类的输出是离散的，回归的输出是连续的。
这篇应用DL和迁移学习来自动分来不同材料的SEM图像中就完整的提出了SEM图像分类的过程。其中最值得学习的地方就是-----迁移学习。
（简单来说迁移学习就是利用已存在的函数模型，通过新的输入数据再次训练，像人脑一样，我们每次解决一个问题的时候，下次遇到类似的问题，总会借鉴上一次的方法）。

本文在SEM数据集上应用迁移学习的方法主要步骤：

• 通过SEM数据集的新输入参数，重新训练网络的softmax和全连接层，并使用Inception-V3进行特征提取
• 使用各个模型进行精度比较
• 分类完成后进行评价

自动分析图像参数

通过ML自动分析电子衍射图案参数

使用CNN，自动分析图像中心位置，旋转角度，倾斜角度等参数

对象实体识别，定位与跟踪

本文提到了利用深度全卷积神经网络探测原子是否存在，并预测其原子柱（列），对原子排列进行分析，并得出是何种结构导致晶体材料的缺陷的表征

一张或者多张的TEM图像通过CNN后分出背景图，1-5的原子序高，并输出为1-6的概率图并解释。

语义分割