論文の概要: Neural Network Learning of Chemical Bond Representations in Spectral Indices and Features

• arxiv url: http://arxiv.org/abs/2207.10530v1
• Date: Thu, 21 Jul 2022 15:11:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 12:37:19.270630
• Title: Neural Network Learning of Chemical Bond Representations in Spectral Indices and Features
• Title（参考訳）: スペクトル指数と特徴における化学結合表現のニューラルネットワーク学習
• Authors: Bill Basener
• Abstract要約: 異なる植生クラスで訓練されたニューラルネットワークが、この反射率の差を測定することを学ぶことを示す。 次に、より複雑な10種類のポリマー材料で訓練されたニューラルネットワークが、ネットワークの重みで明らかなスペクトルの「特徴」を学習することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we investigate neural networks for classification in hyperspectral imaging with a focus on connecting the architecture of the network with the physics of the sensing and materials present. Spectroscopy is the process of measuring light reflected or emitted by a material as a function wavelength. Molecular bonds present in the material have vibrational frequencies which affect the amount of light measured at each wavelength. Thus the measured spectrum contains information about the particular chemical constituents and types of bonds. For example, chlorophyll reflects more light in the near-IR rage (800-900nm) than in the red (625-675nm) range, and this difference can be measured using a normalized vegetation difference index (NDVI), which is commonly used to detect vegetation presence, health, and type in imagery collected at these wavelengths. In this paper we show that the weights in a Neural Network trained on different vegetation classes learn to measure this difference in reflectance. We then show that a Neural Network trained on a more complex set of ten different polymer materials will learn spectral 'features' evident in the weights for the network, and these features can be used to reliably distinguish between the different types of polymers. Examination of the weights provides a human-interpretable understanding of the network.
• Abstract（参考訳）: 本稿では,ハイパースペクトル画像の分類のためのニューラルネットワークについて検討し,ネットワークのアーキテクチャとセンサの物理と材料との結合に着目した。 分光は、物質によって反射または放出される光を機能波長として測定する過程である。 材料に含まれる分子結合は、各波長で測定される光量に影響を与える振動周波数を有する。 したがって、測定されたスペクトルは、特定の化学成分および結合の種類に関する情報を含む。 例えば、クロロフィルは赤 (625-675nm) の範囲よりも近赤外光量 (800-900nm) で反射しており、この差は、これらの波長で収集された画像の植生の存在、健康、タイプを検出するために一般的に用いられる正規化植生差指数 (ndvi) を用いて測定することができる。 本稿では、異なる植生クラスで訓練されたニューラルネットワークの重み付けが、反射率のこの差を測定することを学ぶ。 さらに,より複雑な10種類の高分子材料で訓練されたニューラルネットワークは,ネットワークの重みで明らかなスペクトル「特徴」を学習し,これらの特徴は,異なる種類のポリマーを確実に識別するために使用できることを示した。 重みの検証は、ネットワークの人間解釈可能な理解を提供する。

関連論文リスト

• An Interpretable Neural Network for Vegetation Phenotyping with Visualization of Trait-Based Spectral Features [0.0]
  UPWINS スペクトルライブラリーで訓練された解釈可能なニューラルネットワークで, 種, 健康, 成長段階, 年次変動, 環境条件など, 13種の指標種, 天然の共通背景種を多種多様なメタデータで分析した。 ネットワーク内のニューロンは, ネットワーク重量の可視化を通じて, 化学的および生理的特性のスペクトル指標を学習し, それらの特性が, 実験セット上で90%の精度で, 種同定のためのネットワークによってどのように結合されているかを示す。
  論文  参考訳（メタデータ） (2024-07-14T21:20:37Z)
• Real-Time Model-Based Quantitative Ultrasound and Radar [65.268245109828]
  本稿では,波動伝搬の物理モデルに基づくニューラルネットワークを提案し,受信信号と物理特性の関係を定義した。 我々のネットワークは、複雑で現実的なシナリオのために、1秒未満で複数の物理的特性を再構築することができる。
  論文  参考訳（メタデータ） (2024-02-16T09:09:16Z)
• Quantum fluctuations in the small Fabry-Perot interferometer [77.34726150561087]
  我々は、ナノLEDまたはレーザーの量子場によって励起される主モードの波長の順序の小さい干渉計について検討した。 干渉計の内外における場と光子数ゆらぎスペクトルを求める。 結果は量子光学集積回路の小さな要素の研究、設計、製造、使用に役立つ。
  論文  参考訳（メタデータ） (2022-12-27T10:02:25Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• Machine learning identification of organic compounds using visible light [0.0]
  レーザーベースの技術は、リモート化学の識別に十分な電子的および振動的な情報を符号化する材料の光学的応答によって、自律的な化合物検出を約束している。 可視光領域における単波長分散測定に基づいて, 吸収共鳴から, 正確に有機種を識別できる機械学習分類器を開発した。
  論文  参考訳（メタデータ） (2022-04-06T20:55:13Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• 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)
• Using quantum states of light to probe the retinal network [0.0]
  棒細胞がいくつかの光子を感知する能力は、人間の視覚と神経系の能力を理解することに意味がある。 我々は、網膜を探査する様々な光の量子状態の基本的な気象能力について検討する。
  論文  参考訳（メタデータ） (2021-11-05T06:26:53Z)
• Non-Photorealistic Rendering of Layered Materials: A Multispectral Approach [0.0]
  生体試料中の層状物質を可視化するためのマルチスペクトルレンダリング技術を提案する。 非フォトリアリスティックレンダリング(NPR)において近赤外および紫外スペクトルから取得したデータを最初に利用する。
  論文  参考訳（メタデータ） (2021-09-02T08:40:05Z)
• 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)
• Spectrum Translation for Cross-Spectral Ocular Matching [59.17685450892182]
  バイオメトリックスでは、特に眼領域において、クロススペクトル検証が大きな問題となっている。 近赤外画像と視覚光画像のスペクトル変換におけるコンディショナル・ディバイサル・ネットワークの利用について検討した。
  論文  参考訳（メタデータ） (2020-02-14T19:30:31Z)

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。