NIST神经网络在密集图像中检测微小几何形状准确率达97%

从科学文献图表自动提取数据的突破

为自动从科学论文捕获重要数据，美国国家标准与技术研究院（NIST）计算机科学家开发方法，在密集低质量图表图像数据中准确检测三角形等微小几何对象。采用设计用于检测模式的神经网络方法，NIST模型在现代生活有众多潜在应用。

NIST神经网络模型在定义测试图像集中捕获97%对象，定位对象中心在手动选择位置几像素内。研究者从NIST热力学研究中心（TRC）金属性质数据库中提取早至1900年代初期期刊文章数据。结果常仅以图形呈现，有时手绘并因扫描或复印退化。研究者想提取数据点位置恢复原始原始数据进一步分析。至今此类数据人工提取。

几何标记检测的多重挑战

图像呈现各种标记的数据点，主要为圆、三角、方形，实心和空心，大小清晰度不一。此类几何标记常用于标注科学图表数据点。文本、数字、其他符号可能虚假显现为数据点，训练神经网络前用图形编辑软件从图表子集手动移除。

准确检测定位数据标记因多原因具挑战性。标记清晰度和精确形状不一致；可能空心或实心，有时模糊或失真。有些圆极圆，其他像素不足无法完全定义形状。此外许多图像含极密集重叠圆、方、三角斑块。

U-Net架构与掩码优化策略

研究者旨在创建网络模型至少媲美手动检测准确识别绘图点——在每边数千像素绘图上实际位置5像素内。

NIST研究者采用德国研究者为分析生物医学图像开发的网络架构U-Net。先收缩图像维度减少空间信息，再添加特征和上下文信息层构建精确高分辨率结果。

为帮助训练网络分类标记形状定位中心，研究者尝试四种用掩码标记训练数据方式，对每个几何对象使用不同大小中心标记和轮廓。

研究者发现增加掩码信息（如加粗轮廓）提高分类对象形状准确性但降低定位绘图上位置准确性。最终结合多个模型最佳方面获得最佳分类和最小位置误差。调整掩码被证明是提升网络性能最佳方式，比网络末端微小变化等其他方法更有效。

网络最佳表现——定位对象中心97%准确率——仅在绘图点原本为非常清晰圆、三角、方的图像子集可能。性能足够让TRC用神经网络从新期刊论文图表恢复数据。

先进平衡秤检测跌倒风险：NASA衍生技术守护老年健康蜘蛛网启发设计提升3D光电探测器性能：生物医学成像新突破

传感器