論文の概要: HyperPCA: a Powerful Tool to Extract Elemental Maps from Noisy Data Obtained in LIBS Mapping of Materials

• arxiv url: http://arxiv.org/abs/2111.15187v1
• Date: Tue, 30 Nov 2021 07:52:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 16:48:26.045266
• Title: HyperPCA: a Powerful Tool to Extract Elemental Maps from Noisy Data Obtained in LIBS Mapping of Materials
• Title（参考訳）: hyperpca:libsマッピングで得られたノイズデータから元素マップを抽出する強力なツール
• Authors: Riccardo Finotello, Mohamed Tamaazousti, Jean-Baptiste Sirven
• Abstract要約: 本稿では,データのスパース表現に基づくハイパースペクトル画像解析ツールHyperPCAを紹介する。 本手法は, 得られた情報量と品質の両面での優位性を示し, 解析面の物理化学的特性の改善を図っている。
• 参考スコア（独自算出の注目度）: 7.648784748888189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Laser-induced breakdown spectroscopy is a preferred technique for fast and direct multi-elemental mapping of samples under ambient pressure, without any limitation on the targeted element. However, LIBS mapping data have two peculiarities: an intrinsically low signal-to-noise ratio due to single-shot measurements, and a high dimensionality due to the high number of spectra acquired for imaging. This is all the truer as lateral resolution gets higher: in this case, the ablation spot diameter is reduced, as well as the ablated mass and the emission signal, while the number of spectra for a given surface increases. Therefore, efficient extraction of physico-chemical information from a noisy and large dataset is a major issue. Multivariate approaches were introduced by several authors as a means to cope with such data, particularly Principal Component Analysis. Yet, PCA is known to present theoretical constraints for the consistent reconstruction of the dataset, and has therefore limitations to efficient interpretation of LIBS mapping data. In this paper, we introduce HyperPCA, a new analysis tool for hyperspectral images based on a sparse representation of the data using Discrete Wavelet Transform and kernel-based sparse PCA to reduce the impact of noise on the data and to consistently reconstruct the spectroscopic signal, with a particular emphasis on LIBS data. The method is first illustrated using simulated LIBS mapping datasets to emphasize its performances with highly noisy and/or highly interfered spectra. Comparisons to standard PCA and to traditional univariate data analyses are provided. Finally, it is used to process real data in two cases that clearly illustrate the potential of the proposed algorithm. We show that the method presents advantages both in quantity and quality of the information recovered, thus improving the physico-chemical characterisation of analysed surfaces.
• Abstract（参考訳）: レーザー誘起分解分光法は、ターゲット要素に制限を加えることなく、環境圧力下で試料を高速かつ直接多要素マッピングする手法として好まれる。 しかし、LIBSマッピングデータには、単発測定による信号対雑音比が本質的に低いことと、撮像のために取得したスペクトルの多さによる高次元性という2つの特徴がある。 この場合、アブレーションスポットの直径が減少し、アブレーションされた質量と放出信号が減少し、与えられた表面のスペクトル数が増加する。 したがって、ノイズや大きなデータセットから物理化学的情報を効率的に抽出することが大きな課題である。 このようなデータ、特に主成分分析に対処する手段として、複数の著者によって多変量アプローチが導入された。 しかし、PCAはデータセットの一貫性のある再構成に関する理論的制約を提示することが知られており、したがってLIBSマッピングデータの効率的な解釈に制限がある。 本稿では、離散ウェーブレット変換とカーネルベースのスパースPCAを用いたデータのスパース表現に基づくハイパースペクトル画像の新しい解析ツールであるHyperPCAを紹介し、そのデータに対するノイズの影響を低減し、特にLIBSデータに重点を置いた分光信号の連続的な再構成を行う。 この手法はまず, シミュレーションLIBSマッピングデータセットを用いて, 高ノイズ・高干渉スペクトルを用いてその性能を強調する。 標準PCAと従来の単変量データ解析との比較を行う。 最後に、提案アルゴリズムの可能性を明確に示す2つのケースにおいて、実データを処理するために使用される。 本手法は, 得られた情報量と品質の両方の利点を示し, 解析面の物理化学的特性を改善する。

関連論文リスト

• Randomized Principal Component Analysis for Hyperspectral Image Classification [0.0]
  2つのハイパースペクトルデータセットの分類において,特徴量を20と30に減らした。 最も高い分類精度は、LightGBMによって0.9925と0.9639と得られた。
  論文  参考訳（メタデータ） (2024-03-14T05:40:23Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• 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)
• Systematic reduction of Hyperspectral Images for high-throughput Plastic Characterization [0.0]
  ハイパースペクトルイメージング(HSI)は、顕微鏡と分光を組み合わせることで、天体内の分光活性化合物の空間分布を評価する。 食品の品質管理、医薬品処理、廃棄物処理に様々な応用がある。 HSIデータセットの規模が大きいため、適切なデジタルインフラストラクチャ内で分析と保存が難しい場合がある。 近年のケモメトリックスにおけるハイテク開発は、自動およびエビデンスに基づくデータ削減を可能にしている。
  論文  参考訳（メタデータ） (2023-08-28T11:38:08Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)
• Joint Characterization of Multiscale Information in High Dimensional Data [0.0]
  グローバルアプローチとローカルアプローチの相乗効果を生かした多スケール共同評価手法を提案します。 関節の特徴は, PCA や t-sne のいずれからも明らかでない信号の検出と分離が可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T23:33:00Z)
• Spatial noise-aware temperature retrieval from infrared sounder data [14.131127382785973]
  本稿では,赤外線観測機から大気プロファイルを検索するための統合戦略を提案する。 このアプローチは空間情報とノイズ依存次元化アプローチを考察する。 主成分分析 (PCA) と最小雑音分解 (MNF) を比較し, 抽出した特徴量のコンパクト性と情報量について検討した。
  論文  参考訳（メタデータ） (2020-12-09T08:18:14Z)
• Spatial-Spectral Manifold Embedding of Hyperspectral Data [43.479889860715275]
  本稿では,空間情報とスペクトル情報を同時に考慮した新しいハイパースペクトル埋め込み手法を提案する。 空間スペクトル多様体埋め込み(SSME)は、パッチベースの方法で空間情報とスペクトル情報を共同でモデル化する。 SSMEは、スペクトルシグネチャ間の類似度測定によって得られた隣接行列を用いてスペクトル埋め込みを学習するだけでなく、ハイパースペクトルシーンにおける対象画素の空間近傍をモデル化する。
  論文  参考訳（メタデータ） (2020-07-17T05:40:27Z)

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。