.png){kind=icon}
返回
A CNN-based self-supervised learning framework for small-sample near-infrared spectroscopy classification
.png){kind=icon}
PRE
AI
DOI：10.1039/d4ay01970a.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近红外（NIR）光谱技术因其非破坏性分析、操作简便和检测速度快等优点，已被广泛应用于各个领域。然而，当前光谱分析技术的有效性仍依赖于复杂的光谱数据预处理和特征选择。虽然数据驱动的深度学习可以从原始光谱数据中自动提取特征，但它通常需要大量标注数据进行训练，限制了其在光谱分析中的应用。为解决此问题，我们提出了一种基于卷积神经网络（CNN）的自监督学习（SSL）框架，以在小样本情况下提升光谱分析性能。该方法包含两个学习阶段：预训练和微调。在预训练阶段，使用大量伪标注数据学习内在光谱特征，随后利用少量标注数据进行微调以完成最终模型训练。将该模型应用于我们自采集的3种茶叶品种数据集，分类准确率达到99.12%。此外，在3个公开数据集上的实验表明，SSL模型显著优于传统机器学习方法，分类准确率分别达到97.83%、98.14%和99.89%。对比实验进一步证实了预训练阶段的有效性，最高准确率提升达到10.41%。这些结果突显了所提方法在处理小样本光谱数据方面的潜力，为改进光谱分析提供了一种可行的解决方案。
期刊
IF:
2.6
论文数:
1.0K
被引数:
2.1W
机构
引用论文
Contrastive Learning of Subject-Invariant EEG Representations for Cross-Subject Emotion Recognition面向跨主体情绪识别的主语不变脑电表征对比学习
OAAI
OAAI分享收藏On-Site Identification of Counterfeit Drugs Based on Near-Infrared Spectroscopy Siamese-Network Modeling基于近红外光谱连体网络建模的假药现场识别.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Transfer learning method for plastic pollution evaluation in soil using NIR sensor基于近红外传感器的土壤塑性污染评价的迁移学习方法
PREAI
分享收藏
查看更多内容