Mar, 2024

基于物理约束的自编码器的拉曼光谱高光谱成分分解

PDF
TL;DR基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。
raman spectroscopychemometricshyperspectral unmixingautoencoder neural networksvolumetric raman imaging data
发现论文，激发创造
  • 使用 3D 卷积自编码器对高光谱图像进行无监督分割

    本文提出一种全新的无监督式深度学习算法，采用 3D 卷积自编码器与聚类方法相结合的方式，实现高精密度的高光谱图像分割，并作了多方面实验验证。

    Jul, 2019

  • EndNet: 稀疏自编码器网络用于端元提取和高光谱分解

    本文提出了一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案 EndNet，其结构完全优化和重组，通过引入额外的层和投影度量（即光谱角度距离（SAD）而不是内积）得到最优解，最后通过基于随机梯度的方法来扩展其可处理规模，该方法得到显著改进，表现优于文献中的现有技术。

    Aug, 2017

  • 学习可解释的深度卷积神经网络用于高光谱成分解混

    本文提出了一种新的可解释的深度学习方法，用于处理高光谱混合问题，该方法考虑了非线性和端元变异性，并利用概率变分深度学习框架和解缠态学习来实现丰度和端元的分离，通过使用两个流的神经网络以及多个组成元素的附加分段线性 / 非线性组件来提供高度的可解释性，并通过合成和真实数据集的实验证明了该方法的性能优于现有算法。

    Oct, 2023

  • 高光谱分解概述：基于几何、统计和稀疏回归方法

    本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间，几何，统计，稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。

    Feb, 2012

  • 基于自编码器和原型对比学习的高光谱分类的无监督特征学习

    本文提出了一种结合对比度学习和自编码器的无监督特征学习方法，称为 prototypical contrastive learning，用于高光谱分类，该方法通过两个自编码器网络和对比学习网络的优化来提高表征能力，取得了比其他对比方法和某些监督方法更好的性能表现，并在保持性能的同时提高了特征提取速度并减少了计算资源需求，为无监督对比学习的研究提供了方便。

    Sep, 2020

  • 评估一维卷积神经网络从拉曼光谱中预测混合物组分浓度的性能

    Raman spectroscopy 及其化学计量学等算法对生物药物生产过程实时监控的应用进行了研究，并通过生成合成的 Raman 混合物数据集，比较了 4 种不同的算法，实证了卷积神经网络自动提取浓度信息的潜力，可用于提高药物生产的过程控制。

    Jun, 2023

  • 深度非线性高光谱解混合的多任务学习

    基于深度学习的无监督非线性高光谱解混合方法通过结合通用非线性模型而不做特定假设，引入两个分支，一方面通过重构高光谱图像的行来学习端元，另一方面通过对应图像的列来学习丰度值，并利用多任务学习来强制两个分支协同工作，从而提高解混合网络的性能，通过对合成和实际数据的广泛实验验证了该方法的有效性并与一些最先进的高光谱解混合方法进行了比较。

    Feb, 2024

  • RamanNet：一种广义的拉曼光谱分析神经网络架构

    该研究介绍了一种综合机器学习和传统方法的新型神经网络，RamanNet，用于分析 Raman 光谱数据，并证明其在公共数据集上表现优异，有潜力成为 Raman 光谱数据分析的标准。

    Jan, 2022

  • 基于深度学习的高光谱图像纠正与分光 技术在脑肿瘤手术中的应用

    应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。

    Feb, 2024

  • AE-RED: 基于深度自编码器和去噪正则化的高光谱解混框架

    本文旨在将深度自编码器网络与去噪正则化结合，提出了一个名为 AE-RED 的泛型分离框架，来增强混合分离性能，实验结果表明该框架相较于现有的分离方法具有显著的优越性。

    Jul, 2023