論文の概要: Multi-Scale Feature Attention Network for Polymer Classification using THz Dual-Comb Spectroscopy

• arxiv url: http://arxiv.org/abs/2606.06554v1
• Date: Thu, 04 Jun 2026 09:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.367178
• Title: Multi-Scale Feature Attention Network for Polymer Classification using THz Dual-Comb Spectroscopy
• Title（参考訳）: THzデュアルコマ分光法による高分子分類のためのマルチスケール特徴注意ネットワーク
• Abstract要約: Multi-Scale Feature Attention Network (MSFAN)は、Terahertz Dual-Comb Spectroscopy (THz-DCS)データ用に設計された、新しいディープラーニングアーキテクチャである。 MSFANは一貫して最先端のモデルを上回り、分類精度は85.2%に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable polymer identification is essential for ensuring the quality and safety of recycled plastics, yet conventional sorting and spectroscopic techniques often struggle to deliver robust discrimination. Terahertz Dual-Comb Spectroscopy (THz-DCS) offers a promising alternative, providing rapid, high-resolution, and non-destructive measurements. In this work, we leverage THz-DCS to classify 12 types of polymers, including pure polymers, multilayer films, commercial blends, and biopolymers. To handle the complexity of these spectral signals, we propose the Multi-Scale Feature Attention Network (MSFAN), a novel deep learning architecture tailored for THz-DCS data. The framework integrates feature gating for signal recalibration and multi-scale parallel convolutions to capture diverse frequency patterns. These features are further refined through cross-feature attention and attention pooling, enabling the model to intrinsically highlight the most informative THz regions. MSFAN consistently outperforms state-of-the-art models, reaching a classification accuracy of 85.2%. This study demonstrates the potential of combining THz-DCS with deep learning techniques for effective, scalable, and interpretable polymer classification.
• Abstract（参考訳）: 信頼性の高いポリマーの同定はリサイクルプラスチックの品質と安全性を保証するのに不可欠であるが、従来の選別法や分光法は堅牢な識別に苦慮することが多い。 Terahertz Dual-Comb Spectroscopy (THz-DCS)は、高速で高分解能で非破壊的な測定を提供する、有望な代替手段を提供する。 本研究では, THz-DCSを用いて, 純ポリマー, 多層膜, 市販ブレンド, 生体高分子を含む12種類のポリマーを分類する。 これらのスペクトル信号の複雑さに対処するため、THz-DCSデータに適した新しいディープラーニングアーキテクチャであるMulti-Scale Feature Attention Network (MSFAN)を提案する。 このフレームワークは、様々な周波数パターンを捉えるために、信号の校正とマルチスケール並列畳み込みのための機能ゲーティングを統合している。 これらの特徴は、クロスフィーチャーアテンションとアテンションプーリングによってさらに洗練され、モデルが本質的に最も情報性の高い THz 領域をハイライトすることを可能にする。 MSFANは一貫して最先端のモデルを上回り、分類精度は85.2%に達した。 本研究は, THz-DCSと深層学習技術を組み合わせて, 効果的, スケーラブル, 解釈可能なポリマーの分類を行う可能性を示す。

関連論文リスト

• MM-Spectrum: Multimodal Multi-spectral Molecular Structural Elucidation with a Stable MoE Framework [9.391427657197923]
  MM-Spectrum(MM-Spectrum)は、マルチモーダルマルチスペクトルから構造への分析に適したスパース・ミックス・オブ・エキスパート・フレームワークである。 共有および相互作用の専門家と異種の専門家の能力が組み合わさり、多スペクトルのモダリティ・ユニクティックとクロスモーダルのシナジスティックな情報を抽出する。 MM-Spectrumは、アブレーション研究と解釈可能性分析によって支えられた、一貫性と実質的な改善を実現している。
  論文  参考訳（メタデータ） (2026-08-27T15:55:30Z)
• Quantum Enchanced Multi-Scale CNN with Bi-directional Mamba for Crop Field Analysis [0.06372261626436675]
  ハイパースペクトル画像(HSI)の作物分析は、精密農業に不可欠である。 HSI分類は、高スペクトル次元、空間的複雑さ、クラス不均衡、限定されたラベル付きサンプルのために依然として困難である。 本稿では,マルチスケールな畳み込み特徴抽出,スペクトルアテンション,双方向状態空間モデリング,量子インスピレーション学習を組み合わせたBiSpectral Mambaベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-15T19:11:09Z)
• An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification [51.004475033276215]
  2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。 我々のモデルにおける重要な要素は、空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。 航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
  論文  参考訳（メタデータ） (2026-06-08T07:18:38Z)
• DSXFormer: Dual-Pooling Spectral Squeeze-Expansion and Dynamic Context Attention Transformer for Hyperspectral Image Classification [4.361601680177976]
  DSXFormerは、HSICのための動的コンテキストアテンションを備えた新しいデュアルプール式圧縮膨張トランスである。 最先端の手法を一貫して上回り、それぞれ99.95%、98.91%、99.85%、98.52%の分類精度を達成している。
  論文  参考訳（メタデータ） (2026-02-02T10:12:18Z)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• Spatial-Spectral Binarized Neural Network for Panchromatic and Multi-spectral Images Fusion [25.15016853820625]
  ディープラーニングモデルは優れたパフォーマンスを達成したが、しばしば計算の複雑さが伴う。 本稿では,2次ニューラルネットワーク(BNN)をパンシャーピングに適用する可能性について検討する。 一連のS2B-Convは、S2BNetと呼ばれるパンシャーピングのための新しいバイナリネットワークを形成する。
  論文  参考訳（メタデータ） (2025-09-27T14:10:51Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• LUMIR: an LLM-Driven Unified Agent Framework for Multi-task Infrared Spectroscopy Reasoning [12.138903544219724]
  本研究では,低データ条件下での正確な赤外分光分析を実現するためのフレームワークであるLUMIRを紹介する。 LUMIRは構造化文学知識ベース、自動前処理、特徴抽出、予測モデリングを統合パイプラインに統合する。 利用可能なミルク近赤外データセット、中国の薬草、貯蔵期間の異なるCitri Reticulatae Pericarpium(CRP)、産業排水CODデータセット、Tecator、Cornなど、さまざまなデータセットで検証された。
  論文  参考訳（メタデータ） (2025-07-29T03:20:51Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• Self-Learning Hyperspectral and Multispectral Image Fusion via Adaptive Residual Guided Subspace Diffusion Model [17.94165288907444]
  ハイパースペクトル・マルチスペクトル画像(HSI-MSI)融合は、高分解能ハイパースペクトル画像(LR-HSI)と高分解能マルチスペクトル画像(HR-MSI)を組み合わせて高分解能ハイパースペクトル画像(HR-HSI)を生成する。
  論文  参考訳（メタデータ） (2025-05-17T03:05:13Z)
• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
  位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。 この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-04-27T07:21:42Z)
• Machine Learning for Exoplanet Detection in High-Contrast Spectroscopy: Revealing Exoplanets by Leveraging Hidden Molecular Signatures in Cross-Correlated Spectra with Convolutional Neural Networks [0.0]
  分光の相互相関は、惑星のスペクトルを主星から分離するために分子テンプレートを用いる。 我々は、相互相関分光(MLCCS)のための機械学習を導入する。 この手法は、大気中の特定の分子の存在など、外惑星の特徴付けに関する弱い仮定を活用し、外惑星の検出感度を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-05-22T09:25:58Z)
• Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
  本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。 提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-16T07:09:06Z)
• A Comparative study of Artificial Neural Networks Using Reinforcement learning and Multidimensional Bayesian Classification Using Parzen Density Estimation for Identification of GC-EIMS Spectra of Partially Methylated Alditol Acetates [0.304585143845864]
  本研究では, 部分的にメチル化アルジトール酢酸塩 (PMAA) のガスクロマトグラフィー-電子衝突質量スペクトル (GC-EIMS) データベース用パターン認識検索エンジンの開発について報告する。 開発システムはワールドワイドウェブ上に実装されており、GC-EIMS機器に記録されたこれらの分子のスペクトルを用いてPMAAを識別することを目的としている。
  論文  参考訳（メタデータ） (2020-07-31T17:54:51Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。