Human Perception-Inspired Grain Segmentation Refinement Using Conditional Random Fields

要約

畳み込みニューラル ネットワークを含む従来のコンピューター ビジョン アルゴリズムによって生成される断片化されたマスクにより、多結晶材料の微細構造の粒界など、相互接続されたライン ネットワークを正確にセグメンテーションすることは、重大な課題となります。
これらのアルゴリズムは薄いマスクに苦戦しており、効果的な輪郭の閉鎖と連続性のために複雑な後処理が必要になることがよくあります。
この問題に対処するために、この論文では、粒界の接続性に関するドメイン知識を活用し、条件付きランダム フィールドと知覚グループ化ルールを採用する、高速で忠実度の高い後処理技術を紹介します。
このアプローチにより、セグメンテーション マスクの精度が大幅に向上し、多結晶酸化物の電子顕微鏡画像に対する U-Net モデルによる検証で 79% のセグメント識別精度を達成しました。
さらに、新しい粒子配列メトリクスが導入され、粒子配列が 51% 改善されたことが示され、複雑な微細構造のセグメンテーション パフォーマンスをより詳細に評価できるようになりました。
この方法は、迅速かつ正確なセグメンテーションを可能にするだけでなく、前例のないレベルのデータ分析を容易にし、粒界ネットワークの統計的表現を大幅に改善し、相互接続された線路ネットワークの正確なセグメンテーションが不可欠なさまざまな分野に適しています。

要約(オリジナル)

Accurate segmentation of interconnected line networks, such as grain boundaries in polycrystalline material microstructures, poses a significant challenge due to the fragmented masks produced by conventional computer vision algorithms, including convolutional neural networks. These algorithms struggle with thin masks, often necessitating intricate post-processing for effective contour closure and continuity. Addressing this issue, this paper introduces a fast, high-fidelity post-processing technique, leveraging domain knowledge about grain boundary connectivity and employing conditional random fields and perceptual grouping rules. This approach significantly enhances segmentation mask accuracy, achieving a 79% segment identification accuracy in validation with a U-Net model on electron microscopy images of a polycrystalline oxide. Additionally, a novel grain alignment metric is introduced, showing a 51% improvement in grain alignment, providing a more detailed assessment of segmentation performance for complex microstructures. This method not only enables rapid and accurate segmentation but also facilitates an unprecedented level of data analysis, significantly improving the statistical representation of grain boundary networks, making it suitable for a range of disciplines where precise segmentation of interconnected line networks is essential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google