题目:Reconstructing Randomly Masked Spectra Helps DNNs Identify Discriminant Wavenumbers
重建随机掩蔽谱有助于DNN识别判别波数
作者:Yingying Wu; Jinchao Liu; Yan Wang; Stuart Gibson; Margarita Osadchy; Yongchun Fang
源码链接: https://github.com/Chaoscendence/TeaNet
摘要
非破坏性检测方法,基于振动光谱学,在工业化学、制药和国防等广泛的应用中至关重要。最近,深度学习被引入到振动光谱学中,显示出巨大的潜力。与图像、文本等提供大量标记数据集不同,振动光谱数据非常有限,这要求我们超越迁移学习和元学习的概念。为了解决这个问题,我们提出了一种任务增强的增强网络(TeaNet)。TeaNet的关键组成部分是一个重建模块,它输入随机掩蔽的光谱,并输出与原始光谱相似但包含从领域学习到的额外变化的重建样本。这些增强样本用于训练分类模型。重建和预测部分通过反向传播同时端到端训练。我们在合成和真实世界数据集上的结果验证了所提出方法的优越性。在最困难的合成场景中,TeaNet的性能超过了CNN 17%。我们可视化并分析了TeaNet和CNN的神经元响应,发现TeaNet识别判别波数的能力与CNN相比非常出色。我们的方法通用,可以轻松适应其他领域,为更准确和可解释的少样本学习提供解决方案。