TPAMI 2024 | 重建随机掩蔽谱有助于DNN识别判别波数

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。