干了老婆的闺蜜真骚,叶玉卿激情三级《肉欲狂潮》,耳朵闷闷的堵住的感觉

npj Comput. Mater.: 人工神經網絡多相分割電池電極納米CT圖像

電池電極斷層掃描（CT）圖像的分割是一個關鍵的處理步驟，將對材料表征和電化學模擬的結果產生額外的影響。然而，手動標記X射線CT圖像（XCT）非常耗時，并且這些XCT圖像通常難以用直方圖方法進行分割。

圖1. 不同方法的多相分割比較

在此，法國亞眠大學Arnaud Demortière等人針對現實世界的電池材料數據集提出了一種具有不對稱深度編碼-解碼器卷積神經網絡（CNN, LRCS-Net）的深度學習方法，并展示了在開源SegmentPy軟件框架內從頭開始訓練CNN的工作流程。在編碼器端，LRCS-Net總共包含五層卷積和三個索引最大池（MP），并以sigmoid函數而不是網絡其余部分中應用的泄漏函數結束。在解碼器端包含八層卷積，每個塊的第一個卷積層具有三個上采樣接收索引。

盡管與常用的U-net網絡相比，該模型在其他領域的語義分詞中可訓練參數較少，但CT圖像每秒吞吐量可以達到U-net的兩倍，且對十億體素體積的預測速度快四分之一。此外，通過調整超參數（HP）可提高CNN的性能。在研究的HPs中，學習率和批量大小是最敏感的，因此需要仔細調整。

圖1. LRCS-Net與輸入圖像和損失函數組合的示意圖

此外，這些發現已在鋰離子電池正極的兩個XCT數據集上得到驗證，并且使用相襯技術在另外兩個Li-O₂電池數據集上也可重現。進一步，作者還展示了將遷移學習應用于類似數據集中訓練的增量效果。

總之，目前的工作不僅證明了CNN的預測能力，而且還解決了電池CT材料分割中不確定性這一具有挑戰性的話題。作者通過識別由于訓練數據中稀釋的人為偏見而導致的不確定性來解開分割質量的這種模糊定義，使用合成數據的進一步CNN訓練顯示了這種不確定性對材料特性的定量影響。最后，作者建議在實踐中可以進行更精細的分割調整，且可以使用更多的CT切片來組成每個數據集。

圖2. 模型用于分割其他電池數據集的性能展示

Artificial neural network approach for multiphase segmentation of battery electrode nano-CT images, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00709-7

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/ae28282553/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

npj Comput. Mater.: 人工神經網絡多相分割電池電極納米CT圖像

相關推薦