研究目的
为了解决卷积神经网络在实际光谱应用中的局限性——即训练数据有限时分类精度迅速下降,以及针对新物质类别重新训练的计算强度问题,通过将问题重构为使用孪生卷积神经网络的二元分类任务。
研究成果
基于卷积孪生网络提出的单次学习解决方案仅需每个类别一个样本,就能对已见和未见物质类别进行准确分类,便于动态更新系统数据库。该方法显著优于现有匹配技术,且无需数据预处理,展现出其在光谱学及其他领域的应用潜力。
研究不足
该研究承认,在高效且充分地训练孪生网络以区分相似与不相似样本时,生成足量的正负样本对存在挑战。此外,该方法虽在特定数据集上进行了性能测试,并提出可推广至其他类型光谱或应用场景的可能性,但尚未得到广泛验证。
1:实验设计与方法选择:
本研究采用连体卷积神经网络将多分类问题重构为二分类问题,通过识别输入对是否属于同类或异类。针对连体网络训练中的类别不平衡问题,提出了一种新型采样策略。
2:样本选择与数据来源:
使用了三个拉曼光谱数据集:RRUFF(512种矿物的原始光谱)、UNIRP(107种矿物)和CHEMK(123种化学品)。
3:实验设备与材料清单:
连体网络使用Adam算法在单块NVIDIA GTX-1080 GPU上进行训练。
4:实验流程与操作步骤:
网络训练50个迭代周期,每10个周期将学习率减半。采用早停法防止过拟合。
5:数据分析方法:
将所提方法的性能与三种匹配技术进行对比:L2距离最近邻、余弦相似度最近邻和大间隔最近邻(LMNN)。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容