論文の概要: A Brain-Inspired Deep Separation Network for Single Channel Raman Spectra Unmixing
- arxiv url: http://arxiv.org/abs/2604.22324v1
- Date: Fri, 24 Apr 2026 07:55:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.388766
- Title: A Brain-Inspired Deep Separation Network for Single Channel Raman Spectra Unmixing
- Title（参考訳）: 単一チャネルラマンスペクトルアンミックスのための脳誘発深層分離ネットワーク
- Authors: Gaoruishu Long, Jinchao Liu, Bo Liu, Jie Liu, Xiaolin Hu,
- Abstract要約: 本稿では,音声分離に着想を得た単一チャネルラマンスペクトルのニューラルアプローチを提案する。
本手法の核となるのは、混合スペクトルを入力とし、純粋な成分のスペクトルを出力する深層分離ニューラルネットワーク(RSSNet)である。
我々の手法はラマンアンミックスの新しいパラダイムを示し、ラマン混合物の高速検出を可能にする。
- 参考スコア（独自算出の注目度）: 22.45232712845272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raman spectra obtained in real world applications are often a noisy combination of several spectra of various substances in a tested sample. Unmixing such spectra into individual components corresponding to each of the substances is of great value and has been a longstanding challenge in Raman spectroscopy. Existing unmixing methods are predominantly designed to invert an overdetermined mixed model and therefore require multiple mixed spectra as input. However, open domain and/or non-cooperative detection applications in Raman spectroscopy such as controlled substance detection, call for single-channel solutions which can identify individual components from thousands of candidates by analyzing only a single noisy mixed spectrum. To our knowledge, sparse regression is the only existing solution which can cope with this scenario, yet it has very low tolerance to noises and can hardly be applicable in practice. To address these limitations, we introduce a novel neural approach for single-channel Raman spectrum unmixing inspired by speech separation. It aims at solving underdetermined systems and can decompose a noisy mixed spectrum from a library of thousands of components (substances). The core of our method is a deep separation neural network (RSSNet) which takes a mixed spectrum as input and outputs spectra of pure components. We created two synthetic datasets of single-channel Raman spectra unmixing and demonstrated feasibility and superiority of RSSNet on these datasets (outperform competing methods by >4dB). Furthermore, we verified that RSSNet, trained solely on synthetic data, can successfully unmix real-world mixed spectra of mixtures of mineral powders, exhibiting strong generalization. Our approach represents a new paradigm for Raman unmixing and enables new possibilities for fast detection of Raman mixtures.
- Abstract（参考訳）: 実世界の応用で得られたラマンスペクトルは、試験試料中の様々な物質のいくつかのスペクトルのうるさい組み合わせであることが多い。
それぞれの物質に対応する個々の成分にそのようなスペクトルを混合することは大きな価値があり、ラマン分光において長年の課題であった。
既存の未混合法は主に過決定混合モデルを逆転するように設計されており、そのため入力として複数の混合スペクトルを必要とする。
しかし、制御された物質検出のようなラマン分光法におけるオープンドメインおよび/または非協調検出の応用は、単一のノイズ混合スペクトルだけを分析して数千の候補から個々の成分を識別できる単一チャネル解を求める。
我々の知る限り、スパースレグレッションは、このシナリオに対処できる唯一のソリューションであるが、ノイズに対する耐性は極めて低く、実際はほとんど適用できない。
これらの制約に対処するために、音声分離にインスパイアされた単一チャネルラマンスペクトルのニューラルアプローチを導入する。
未決定のシステムを解くことを目的としており、何千ものコンポーネント(物質)のライブラリからノイズの多い混合スペクトルを分解することができる。
本手法の核となるのは、混合スペクトルを入力とし、純粋な成分のスペクトルを出力する深層分離ニューラルネットワーク(RSSNet)である。
単一チャネルラマンスペクトルをアンミックスした2つの合成データセットを作成し,これらのデータセット上でRSSNetの有効性と優位性を実証した。
さらに, 合成データのみを訓練したRSSNetは, ミネラルパウダーの混合物を混合した実世界の混合スペクトルを解き放つことができ, 強力な一般化が期待できることを確認した。
我々の手法はラマンアンミックスの新しいパラダイムを示し、ラマン混合物の高速検出を可能にする。
関連論文リスト
- λSplit: Self-Supervised Content-Aware Spectral Unmixing for Fluorescence Microscopy [6.057692339318057]
蛍光顕微鏡では、スペクトルアンミキシングは、混合蛍光の放射を捉えたスペクトル画像から、個々の蛍光の濃度を回収することを目的としている。
Splitは、階層的変分オートエンコーダを用いて濃度マップ上の条件分布を学習する物理インフォームド深部生成モデルである。
Splitは、標準共焦点顕微鏡によって生成されたスペクトルデータと互換性があり、特別なハードウェア修正なしにすぐに採用することができる。
論文 参考訳（メタデータ） (2026-03-24T18:42:27Z) - LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。
我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文 参考訳（メタデータ） (2025-06-20T14:48:42Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Spectral Unmixing of Hyperspectral Images Based on Block Sparse
Structure [1.491109220586182]
本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
論文 参考訳（メタデータ） (2022-04-10T09:37:41Z) - 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) - Raman spectral analysis of mixtures with one-dimensional convolutional
neural network [0.0]
近年、ロバストな1次元畳み込みニューラルネットワーク (1-D CNN) とラマン分光法の組み合わせは、未知の物質を迅速に同定する大きな可能性を示している。
この手法を未知の混合物中の純粋な化合物の分類にまで拡張しようとする研究もある。
ここでは、多成分混合物中の化学成分のスペクトル認識と定量化における新しいアプローチを紹介する。
論文 参考訳（メタデータ） (2021-06-01T16:23:30Z) - 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) - Machine Learning for recognition of minerals from multispectral data [1.231476564107544]
本稿では,異なる分光法から得られたデータを組み合わせた鉱物の自動同定手法を提案する。
これらの手法はRaman + VNIR, Raman + LIBS, VNIR + LIBSと組み合わせられ, それぞれに異なるデータ融合法を適用してミネラルを分類した。
また,ラマンスペクトルからミネラル分類を行うDeep Learningアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-28T22:25:15Z)
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。