.png){kind=icon}
返回
A Wavelet-Based Bilateral Segmentation Study for Nanowires
.png){kind=icon}
OA
AI
DOI：10.3390/nano15211612.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一维（1D）纳米线是一种关键的纳米材料类别，在生物传感、生物医学、生物电子学和能量收集等领域具有广泛应用。在材料科学中，精确提取其形貌和结构特征对于有效的图像分割至关重要。然而，1D纳米线常以分散或缠绕的构型出现，且背景模糊、边界不清晰，这显著增加了分割难度。基于阈值的传统方法难以高精度分割这些结构复杂的纳米线。为解决该挑战，我们提出了一种基于小波的双边分割网络WaveBiSeNet，引入了双小波卷积模块（DWCM）和灵活上采样模块（FUM）以增强特征表示并提高分割精度。本研究中，我们在肽纳米线图像数据集上对比了WaveBiSeNet与十种分割模型。实验结果显示，WaveBiSeNet分别达到77.59%的mIoU、89.95%的准确率、87.22%的F1分数和74.13%的Kappa系数。与其他先进模型相比，所提模型实现了更优的分割性能。这些结果表明，WaveBiSeNet是一种端到端的深度分割网络，能够精确分析复杂的1D纳米线结构。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
Kendall, J.D.; Pantone, R.D.; Nino, J.C. Deep learning in memristive nanowire networks. arXiv 2020, arXiv:2003.02642. [Google Scholar] [CrossRef]Kendall, J.D.; Pantone, R.D.; Nino, J.C. 基于忆阻纳米线网络的深度学习。arXiv 2020, arXiv:2003.02642. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
Lam, K.F.Y.; Gopal, V.; Qian, J. Confidence Intervals for the F1 Score: A Comparison of Four Methods. arXiv 2023, arXiv:2309.14621. [Google Scholar] [CrossRef]Lam, K.F.Y.; Gopal, V.; Qian, J. F1分数的置信区间：四种方法的比较. arXiv 2023, arXiv:2309.14621. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容