ReSTOLO：用于精准识别表面分子异构体和非常相似分子的两阶段机器视觉识别框架 | 进展

主要观点总结

本文介绍了扫描隧道显微镜（STM）在制备低维碳基材料中的重要性以及实现STM图像自动化识别的挑战。文章重点阐述了现有机器学习框架在STM图像识别中的局限性，以及中国科学院物理研究所N11课题组与苏州大学迟力峰院士团队合作开发的基于识别框归一化的两阶段分子机器视觉识别框架ReSTOLO。该框架在有限数据、缺乏超结构信息的条件下，实现了6类相似分子体系STM图像的精确定位与分类，并展示了其有效性和泛化能力。文章还介绍了ReSTOLO的设计策略、实现过程及其在实际应用中的优异表现，并探讨了其在实际研究中的应用前景。

关键观点总结

关键观点1: 扫描隧道显微镜（STM）在制备低维碳基材料中的重要性

STM是制备传统合成方法难以获得的低维碳基材料的关键手段，其可编程自动化操控为实现表面合成过程的自动化提供了可能。

关键观点2: STM图像识别面临的挑战

实现自动化面临精准识别STM图像中相似度高、缺乏超结构、呈稀疏分布或多类分子共存的情况的挑战。现有机器学习框架在复杂STM图像识别中表现不佳。

关键观点3: ReSTOLO框架的提出

为了解决这些问题，中国科学院物理研究所N11课题组与苏州大学迟力峰院士团队合作开发了基于识别框归一化的两阶段分子机器视觉识别框架ReSTOLO。该框架成功实现了6类相似分子体系STM图像的精确定位与分类，并展示了其有效性和泛化能力。

关键观点4: ReSTOLO框架的设计策略和优异表现

ReSTOLO通过将检测分解为定位和分类两个独立阶段，最大限度地发挥YOLO在定位与ResNet-101在分类方面的优势。该设计有效避免了YOLO的不精确性和冗余计算问题，并引入了检测框归一化处理，增强了后续分类阶段的准确性与一致性。

关键观点5: ReSTOLO框架的识别性能与鲁棒性提升方法

研究团队采用了融合物理先验和实验信息的数据增强方法，充分考虑了体系的对称性以及实验条件变化，有效扩充了训练数据，提升了模型的识别性能与鲁棒性。