基于使用数据增强的卷积神经网络进行准确的笔品牌分类
Xiaobin Wang1, Lei Yang1, Ruili Chen1
1School of Investigation, People's Public Security University of China, Beijing, China.
Journal of forensic sciences
|November 14, 2024
概括
当光谱数据有限时,扩展倍数信号增强 (EMSA) 等数据增强方法显著提高了笔墨水品牌分类准确性. 与卷积神经网络 (CNN) 结合的EMSA实现了超过99%的准确性.
科学领域:
- 法医科学 法医科学 法医科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 准确的墨水分析对于文档审查至关重要,但有限的数据集阻碍了墨水品牌的算法分类.
- 由于数据稀缺,笔墨水识别存在挑战,影响了法医分析的可靠性.
研究的目的:
- 评估高斯噪声数据增强 (GNDA) 和扩展的乘法信号增强 (EMSA) 的有效性,用于分类笔笔墨品牌.
- 评估各种分类模型在应用于增强光谱数据时的性能.
主要方法:
- 使用FT-IR光谱分析了四种品牌的笔墨水.
- 两种数据增强技术,GNDA和EMSA,应用于光谱数据.
- 使用了五种分类模型:CNN,KNN,SVM,RF和PLS-DA.
主要成果:
- 由GNDA和EMSA生成的增强数据集显示与原始数据相似,增加了多样性.
- 当EMSA方法与CNN配对时,可以实现更高的分类性能.
- EMSA-CNN显示了高准确度 (99.86%),精度 (99.87%),回忆 (99.86%) 和F1得分 (99.86%).
- 相比之下,GNDA-CNN方法的结果较低 (ACC: 80.90%,PRE: 87.34%,REC: 81.62%,F1: 79.23%).
结论:
- 数据增强方法,特别是EMSA,在提高机器学习模型用于墨水品牌识别的性能方面是有效的,特别是在有限的光谱数据的情况下.
- 将EMSA与CNN结合起来,为法医文档分析中准确的笔墨水分类提供了一个强大的解决方案.
