論文の概要: Feature visualization of Raman spectrum analysis with deep convolutional neural network

• arxiv url: http://arxiv.org/abs/2007.13354v1
• Date: Mon, 27 Jul 2020 08:15:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 11:47:16.145420
• Title: Feature visualization of Raman spectrum analysis with deep convolutional neural network
• Title（参考訳）: 深部畳み込みニューラルネットワークを用いたラマンスペクトル解析の特徴可視化
• Authors: Masashi Fukuhara, Kazuhiko Fujiwara, Yoshihiro Maruyama and Hiroyasu Itoh
• Abstract要約: 本稿では,Ramanスペクトル解析にディープ畳み込みニューラルネットワークを用いた認識・特徴可視化手法を示す。 この方法は、まず単純なローレンツスペクトルに対して検討され、その後、医薬品化合物および数値混合アミノ酸のスペクトルに適用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We demonstrate a recognition and feature visualization method that uses a deep convolutional neural network for Raman spectrum analysis. The visualization is achieved by calculating important regions in the spectra from weights in pooling and fully-connected layers. The method is first examined for simple Lorentzian spectra, then applied to the spectra of pharmaceutical compounds and numerically mixed amino acids. We investigate the effects of the size and number of convolution filters on the extracted regions for Raman-peak signals using the Lorentzian spectra. It is confirmed that the Raman peak contributes to the recognition by visualizing the extracted features. A near-zero weight value is obtained at the background level region, which appears to be used for baseline correction. Common component extraction is confirmed by an evaluation of numerically mixed amino acid spectra. High weight values at the common peaks and negative values at the distinctive peaks appear, even though the model is given one-hot vectors as the training labels (without a mix ratio). This proposed method is potentially suitable for applications such as the validation of trained models, ensuring the reliability of common component extraction from compound samples for spectral analysis.
• Abstract（参考訳）: 本稿では,Ramanスペクトル解析にディープ畳み込みニューラルネットワークを用いた認識・特徴可視化手法を示す。 この可視化は、プール層と完全連結層の重みからスペクトルの重要な領域を計算することによって達成される。 この方法は、まず単純なローレンツスペクトルについて調べ、次に薬品化合物と数値混合アミノ酸のスペクトルに適用した。 ローレンツスペクトルを用いたラマンピーク信号の抽出領域に対する畳み込みフィルタのサイズと個数の影響について検討した。 抽出した特徴を可視化することにより,Ramanピークが認識に寄与することが確認された。 ベースライン補正に使用されるように見える背景レベル領域において、ほぼゼロの重み値が得られる。 数値混合アミノ酸スペクトルの評価により, 共通成分抽出を確認した。 モデルがトレーニングラベルとして1ホットベクトルを与えられたとしても、共通ピークにおける高い重み値と特異ピークにおける負の値が現れる(混合比なしで)。 本手法は, スペクトル解析のための複合試料からの共通成分抽出の信頼性を確保するため, モデル検証などの応用に適している。

関連論文リスト

• Weighted Sum of Segmented Correlation: An Efficient Method for Spectra Matching in Hyperspectral Images [3.454872059813283]
  本研究では,ライブラリの様々なセグメントとテストスペクトル間の相関指標を算出する重み付き相関法について紹介する。 この手法の有効性は、地球と火星の両面のハイパースペクトル画像における鉱物の同定に評価されている。
  論文  参考訳（メタデータ） (2024-06-18T18:51:00Z)
• SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance Field [70.15900280156262]
  本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。 スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-14T07:19:31Z)
• Log-Gaussian Gamma Processes for Training Bayesian Neural Networks in Raman and CARS Spectroscopies [0.03994567502796063]
  本稿では,ガンマ分布確率変数と対数ガウスモデルを組み合わせて,ニューラルネットワークの学習に適した合成データセットを生成する手法を提案する。 本稿では, ガンマ過程パラメータを推定するために実験的スペクトルを用いて, ラマンとコヒーレント反ストークスラマン散乱(CARS)スペクトルの両方に適用する。
  論文  参考訳（メタデータ） (2023-10-12T06:08:34Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• A spectral-spatial fusion anomaly detection method for hyperspectral imagery [7.155465756606866]
  ハイパースペクトル画像に対してスペクトル融合異常検出法(SSFAD)を提案する。 新しい検出器は、空間領域におけるパッチ画像の局所的な類似性空間的特徴を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-02-24T03:54:48Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution [82.59267937569213]
  高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。 本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。 限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-31T02:13:00Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)
• A Review of 1D Convolutional Neural Networks toward Unknown Substance Identification in Portable Raman Spectrometer [0.0]
  ラマン分光法は、品質管理から最先端の生物医学研究まで、強力な分析ツールである。 これらは、未知の物質のフィールド分析のために、最初の応答者や法執行機関によって広く採用されている。 ラマン分光法による未知物質の検出と同定は、手元にある装置のスペクトルマッチング能力に大きく依存している。
  論文  参考訳（メタデータ） (2020-06-18T14:28:00Z)
• Beyond Random Matrix Theory for Deep Networks [0.7614628596146599]
  Wigner semi-circle と Marcenko-Pastur の分布は、しばしばディープニューラルネットワーク理論解析に使用されるが、経験的に観察されたスペクトル密度と一致するかを検討する。 観測されたスペクトル形状は, 外れ値が許容される場合でも, 理論的な予測から大きく逸脱することがわかった。 行列アンサンブルの新しいクラスとして、ランダムなウィグナー/ウィッシュアートアンサンブル生成物とパーコレーションされたウィグナー/ウィッシュアートアンサンブルを考える。
  論文  参考訳（メタデータ） (2020-06-13T21:00:30Z)

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。