一个基于CNN的自主监督学习框架,用于小样本近红外光谱学分类

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 近红外 (NIR) 谱学提供非破坏性,快速分析,但在复杂的数据预处理和特征选择方面面临挑战.
• 用于光谱分析的深度学习方法通常需要大型标记数据集,这限制了它们在样本有限的场景中的应用.

研究的目的:

• 利用卷积神经网络 (CNN) 开发自主监督学习 (SSL) 框架,以提高光谱分析性能,特别是对于小样本大小.
• 解决传统光谱分析和数据饥饿的深度学习模型在没有足够标记数据的场景中的局限性.

主要方法:

• 提出了两阶段的SSL框架,包括对伪标记数据进行预训练,以学习内在的光谱特征,然后对一个小的标记数据集进行微调.
• 利用卷积神经网络 (CNN) 作为特征提取和模型训练的核心架构.

主要成果:

• 在三种茶叶品种的定制数据集上实现了高分类准确性 (99.12%).
• 在三个公共数据集上,在传统机器学习方法上表现出优越的性能,精度高达99.89%.
• 展示了培训前阶段的重要贡献,导致精度提高高达10.41%.

结论:

• 拟议的SSL-CNN框架有效地增强了对小样本大小的光谱分析,克服了现有方法的局限性.
• 这种方法为数据稀缺环境中准确的光谱数据分析提供了强大而可行的解决方案.
• 突出了自主监督学习的潜力,以推进光谱学和相关领域的应用.