Enhanced Resolution Methods for Improving Image Analysis and Pattern Recognition in Scanning Probe Microscopy (Contributo in atti di convegno)

Type
Label
  • Enhanced Resolution Methods for Improving Image Analysis and Pattern Recognition in Scanning Probe Microscopy (Contributo in atti di convegno) (literal)
Anno
  • 2013-01-01T00:00:00+01:00 (literal)
Alternative label
  • D'Acunto M., Pieri G., Righi M., Salvetti O. (2013)
    Enhanced Resolution Methods for Improving Image Analysis and Pattern Recognition in Scanning Probe Microscopy
    in IMTA--2013 - 4th International Workshop on Image Mining. Theory and Applications, Barcelona, Spain, 23 February 2013
    (literal)
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#autori
  • D'Acunto M., Pieri G., Righi M., Salvetti O. (literal)
Pagina inizio
  • 22 (literal)
Pagina fine
  • 28 (literal)
Note
  • PuMa (literal)
  • Scopus (literal)
Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#affiliazioni
  • CNR-ISM, Roma; CNR-ISTI, Pisa, Italy; CNR-ISTI, Pisa, Italy; CNR-ISTI, Pisa, Italy. (literal)
Titolo
  • Enhanced Resolution Methods for Improving Image Analysis and Pattern Recognition in Scanning Probe Microscopy (literal)
Abstract
  • Image acquisition systems integrated with laboratory automation produces multi-dimensional datasets. An effective computational approach to objectively analyzing image datasets is pattern recognition (PR), i.e. a machine-learning approach where the machine finds relevant patterns that distinguish groups of objects after being trained on examples (supervised machine learning). In contrast, the other approach to machine learning and artificial intelligence is unsupervised learning, where the intelligent process finds relevant patterns without relying on prior training examples, usually by using a set of pre-defined rules. In this paper we apply a method derived by usual PR techniques for the recognition of artifacts and noise on images recorded with Atomic Force Microscopy (AFM). The advantage of automatic artifacts recognition could be the implementation of machine learning languages for AFM investigations. (literal)
  • I laboratori dotati di sistemi per l'acquisizione automatica generano un elevato quantitativo di dati multi-dimensionali come le immagini. Tramite tecniche di analisi automatica, come il pattern recognition (PR), è possibile effettuare efficacemente un'analisi oggettiva dei dataset generati. A esempio, è possibile addestrare su esempi programmi che implementano algoritmi di PR per permettere alle macchine di individuare schemi identificativi di gruppi di oggetti (apprendimento automatico supervisionato). Diversamente è possibile sfruttare l'altro approccio di apprendimento automatico basato su algoritmi di intelligenza artificiale senza supervisione, dove i programmi trovano pattern rilevanti senza necessità di utilizzare degli esempi tramite i quali apprendere. Generalmente gli algoritmi non supervisionati basano il loro funzionamento su un insieme di regole predefinite. In questo articolo si applica un metodo derivato dalle usuali tecniche di PR per il riconoscimento di artefatti e rumore sulle immagini registrate con microscopi a forza atomica (AFM). Il vantaggio del riconoscimento automatico degli artefatti potrebbe essere l'implementazione di linguaggi di apprendimento automatico per le indagini AFM. (literal)
Prodotto di
Autore CNR
Insieme di parole chiave

Incoming links:


Autore CNR di
Prodotto
Insieme di parole chiave di
data.CNR.it