，其可编程从动化操控为实现概况合成过程的从动化供给了可能。然而，实现从动化仍面对一个主要挑和：若何正在STM图像中精准识别类似度高、缺乏超布局、呈稀少分布或多类共存的环境。现无机器进修框架，如两阶段Faster R-CNN或单阶段YOLO模子，正在系统组分简单、具有超布局等特定场景中表示优良，却难以合用于复杂的STM图像识别。其局限性正在于：起首，对于高度类似、景深单一的STM图像反而会形成分类的极大混合；其次，的分布缺乏超布局具有的周期性、准周期性或扭转对称性；可用的图像数据量无限，分辩率不脚，形成典型的小样本进修问题。近期，中国科学院物理研究所/凝结态物理国度研究核心纳米物理取器件沉点尝试室N11课题组和姑苏大学迟力峰院士团队合做，开辟设想了一种基于识别框归一化的两阶段机械视觉识别框架ReSTOLO。该框架正在数据无限、缺乏超布局消息的前提下，成功实现了6类类似系统STM图像的切确定位取分类，其单类平均精度和召回率均跨越85%（图1），正在别的两个系统STM图像识别中的表示也进一步验证了其无效性取泛化能力。ReSTOLO通过将检测分化为定位和分类两个阶段，使每个模子可以或许专注于其特定使命，从而最大限度地阐扬YOLO正在定位取ResNet-101正在分类方面的劣势。该设想无效避免了YOLO正在施行结合检测和分类时存正在的不切确性和冗余计较问题，同时也消弭了因输入图像尺寸差别对ResNet-101分类机能带来的干扰。为此，研究团队正在YOLO完成初步定位后，引入了检测框归一化处置：基于原始图像和YOLO输出的检测框消息，对框体尺寸进行归一化和调整，检测框大小同一，以加强后续分类阶段的精确性取分歧性。该策略的实现依赖于以下几个现实根据：大都尺寸附近；STM图像全体景深几乎分歧，此外，研究团队还采用了融合物理先验和尝试消息的数据加强方式，充实考虑了系统的对称性以及尝试前提变化。缓解小样本问题的同时，避免了无效冗余消息的引入，进一步提拔了模子的识别机能取鲁棒性。图1。 研究系统、ReSTOLO的两阶段图像识别过程及优异的识别机能。YOLO v5。m和ResNet-101别离专注于定位、分类使命，并通过框归一化彼此毗连，极大削减了检测框的易变性带来的干扰，取得了抱负的检测结果。图片来历： J。 Am。 Chem。 Soc 。ReSTOLO的提出了现无机器视觉识别系统正在复杂使命中表示欠安的底子缘由，为设想契合概况科学研究特点的公用机械视觉系统供给了主要参考，同时，它做为一个高效的东西，将间接鞭策的从动化检测、精准从动合成和性质阐发等研究历程。相关以“A Two-stage Machine Learning Framework for Accurate Discrimination of Isomers and Very-similar Molecules on Suces”为题颁发正在Journal of the American Chemical Society上，中国科学院物理研究所N11组博士生魏子轩为第一做者，杜世萱研究员、姑苏大学迟力峰院士和仲启刚传授为配合通信做者，中国科学院和天然科学基金的赞帮。