Two-Dimensional Quantum Material Identification via Self-Attention and Soft-labeling in Deep Learning

要約

量子マシンの分野では、シリコンチップ内の二次元 (2D) 材料の検出は最も重要な問題の 1 つです。
インスタンスのセグメンテーションは、この問題を解決するための潜在的なアプローチと考えることができます。
ただし、他の深層学習手法と同様に、インスタンスのセグメンテーションでは、かなりのパフォーマンスを達成するために大規模なトレーニング データセットと高品質のアノテーションが必要です。
実際には、この問題ではアノテーターが 2K 解像度などの大きな画像と非常に高密度のオブジェクトを扱わなければならないため、トレーニング データセットの準備は困難です。
この研究では、2D 量子材料識別におけるインスタンス セグメンテーションにおけるアノテーションの欠落の問題に取り組む新しい方法を紹介します。
我々は、偽陰性オブジェクトを自動的に検出するための新しいメカニズムと、損失関数全体に寄与するこれらのオブジェクトの悪影響を軽減するための注意ベースの損失戦略を提案します。
2D マテリアル検出データセットで実験を行ったところ、実験により、私たちの方法が以前の研究よりも優れていることがわかりました。

要約(オリジナル)

In quantum machine field, detecting two-dimensional (2D) materials in Silicon chips is one of the most critical problems. Instance segmentation can be considered as a potential approach to solve this problem. However, similar to other deep learning methods, the instance segmentation requires a large scale training dataset and high quality annotation in order to achieve a considerable performance. In practice, preparing the training dataset is a challenge since annotators have to deal with a large image, e.g 2K resolution, and extremely dense objects in this problem. In this work, we present a novel method to tackle the problem of missing annotation in instance segmentation in 2D quantum material identification. We propose a new mechanism for automatically detecting false negative objects and an attention based loss strategy to reduce the negative impact of these objects contributing to the overall loss function. We experiment on the 2D material detection datasets, and the experiments show our method outperforms previous works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google