論文の概要: Convolutional neural networks for classification and regression analysis
of one-dimensional spectral data
- arxiv url: http://arxiv.org/abs/2005.07530v1
- Date: Fri, 15 May 2020 13:20:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-02 22:43:13.320584
- Title: Convolutional neural networks for classification and regression analysis
of one-dimensional spectral data
- Title（参考訳）: 1次元スペクトルデータの分類と回帰解析のための畳み込みニューラルネットワーク
- Authors: Ine L. Jernelv, Dag Roar Hjelme, Yuji Matsuura, Astrid Aksnes
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は画像認識やテキスト解析に広く利用されている。
CNNの性能をスペクトルデータの分類と回帰分析のために検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Convolutional neural networks (CNNs) are widely used for image recognition
and text analysis, and have been suggested for application on one-dimensional
data as a way to reduce the need for pre-processing steps. Pre-processing is an
integral part of multivariate analysis, but determination of the optimal
pre-processing methods can be time-consuming due to the large number of
available methods. In this work, the performance of a CNN was investigated for
classification and regression analysis of spectral data. The CNN was compared
with various other chemometric methods, including support vector machines
(SVMs) for classification and partial least squares regression (PLSR) for
regression analysis. The comparisons were made both on raw data, and on data
that had gone through pre-processing and/or feature selection methods. The
models were used on spectral data acquired with methods based on near-infrared,
mid-infrared, and Raman spectroscopy. For the classification datasets the
models were evaluated based on the percentage of correctly classified
observations, while for regression analysis the models were assessed based on
the coefficient of determination (R$^2$). Our results show that CNNs can
outperform standard chemometric methods, especially for classification tasks
where no pre-processing is used. However, both CNN and the standard chemometric
methods see improved performance when proper pre-processing and feature
selection methods are used. These results demonstrate some of the capabilities
and limitations of CNNs used on one-dimensional data.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は画像認識やテキスト解析に広く使われており、前処理ステップの必要性を減らす手段として1次元データに適用することが提案されている。
前処理は多変量解析の不可欠な部分であるが、最適な前処理方法の決定には多くの利用可能な方法があるため時間がかかる。
本研究では,スペクトルデータの分類と回帰分析のためにCNNの性能を検討した。
cnnは分類のためのサポートベクターマシン (svms) や回帰分析のための部分最小二乗回帰 (plsr) など、他の様々なケモメトリック法と比較された。
比較は、生のデータと、前処理および/または特徴選択方法を経て行われたデータの両方に基づいて行われた。
これらのモデルは近赤外、中赤外、ラマン分光法に基づく手法で得られたスペクトルデータに用いられた。
分類データセットについては, 正しく分類された観測のパーセンテージに基づいてモデルを評価し, 回帰分析では決定係数(r$^2$)に基づいてモデルを評価した。
以上の結果から,cnnは標準的なケモメトリック法,特に前処理を用いない分類タスクよりも優れていた。
しかし、cnnと標準ケモメトリック法の両方は、適切な前処理と特徴選択法を使用すると、パフォーマンスが向上する。
これらの結果は1次元データに使用されるCNNの機能と限界を示している。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳（メタデータ） (2023-05-10T11:10:09Z) - Learning Partial Correlation based Deep Visual Representation for Image
Classification [61.0532370259644]
CNNの新たな構造層としてスパース逆共分散推定(SICE)を定式化する。
本研究は,部分的相関に基づく深部視覚表現を求め,小さなサンプル問題を緩和する。
実験により,本モデルの有効性と優れた分類性能が示された。
論文 参考訳（メタデータ） (2023-04-23T10:09:01Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Photometric Redshift Estimation with Convolutional Neural Networks and
Galaxy Images: A Case Study of Resolving Biases in Data-Driven Methods [0.0]
クラス依存残差とモード崩壊の2つの主要なバイアス形態を、測光赤方偏移を推定するケーススタディとして検討する。
CNNモデルに基づく2つのバイアスを解決するための一連のステップを提案する。
実験により,本手法はベンチマーク法よりもバイアス制御能力が優れていることが示された。
論文 参考訳（メタデータ） (2022-02-21T02:59:33Z) - Model Doctor: A Simple Gradient Aggregation Strategy for Diagnosing and
Treating CNN Classifiers [33.82339346293966]
畳み込みニューラルネットワーク(CNN)は,分類タスクにおいて優れた性能を発揮する。
CNNは、予測メカニズムを理解するのが難しい「ブラックボックス」と見なされていることが広く知られている。
本稿では,モデルドクターと呼ばれる,最初の完全自動診断・治療ツールを提案する。
論文 参考訳（メタデータ） (2021-12-09T14:05:00Z) - Examining and Mitigating Kernel Saturation in Convolutional Neural
Networks using Negative Images [0.8594140167290097]
CNNにおける畳み込みカーネル飽和の影響を解析する。
トレーニングデータセットに負の画像を追加することで、飽和を緩和し、分類精度を高めるための単純なデータ増強技術を提案する。
以上の結果から,CNNは畳み込みカーネル飽和の影響を受けやすく,トレーニングデータセットに負のイメージを補うことで,分類精度が統計的に顕著に向上する可能性が示唆された。
論文 参考訳（メタデータ） (2021-05-10T06:06:49Z) - Transfer Learning with Convolutional Networks for Atmospheric Parameter
Retrieval [14.131127382785973]
MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する
IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。
本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
論文 参考訳（メタデータ） (2020-12-09T09:28:42Z) - ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。
我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
論文 参考訳（メタデータ） (2020-09-04T20:41:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。