A Lightweight Transformer for Faster and Robust EBSD Data Collection

要約

3 次元電子後方散乱回折 (EBSD) 顕微鏡は、材料科学の多くのアプリケーションで重要なツールですが、そのデータ品質は、特に連続切片作成などの困難な収集プロセス中に大きく変動する可能性があります。
幸いなことに、3D EBSD データは本質的にシーケンシャルであるため、データの処理と回復に、多数のドメインで画期的な進歩を遂げた最先端の深層学習アーキテクチャであるトランスフォーマーを使用する機会が開かれます。
エラーに対する堅牢性を高め、この 3D EBSD データ収集を高速化するために、効率的なトランスフォーマー モデルとトランスフォーマーの出力を処理する投影アルゴリズムを使用して、3D EBSD ボリューム内の欠落したスライスを回復する 2 ステップの方法を導入します。
希少な高次元データを使用したディープラーニングの計算上および実用上のハードルを克服し、自己監視付きの合成 3D EBSD データのみを使用してこのモデルをトレーニングし、既存の方法と比較して実際の 3D EBSD データで優れた復元精度を取得します。

要約(オリジナル)

Three dimensional electron back-scattered diffraction (EBSD) microscopy is a critical tool in many applications in materials science, yet its data quality can fluctuate greatly during the arduous collection process, particularly via serial-sectioning. Fortunately, 3D EBSD data is inherently sequential, opening up the opportunity to use transformers, state-of-the-art deep learning architectures that have made breakthroughs in a plethora of domains, for data processing and recovery. To be more robust to errors and accelerate this 3D EBSD data collection, we introduce a two step method that recovers missing slices in an 3D EBSD volume, using an efficient transformer model and a projection algorithm to process the transformer’s outputs. Overcoming the computational and practical hurdles of deep learning with scarce high dimensional data, we train this model using only synthetic 3D EBSD data with self-supervision and obtain superior recovery accuracy on real 3D EBSD data, compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google