基于掩码自编码器的拉曼光谱自监督学习方法
信号处理
2025-04-24 v1 人工智能
机器学习
摘要
拉曼光谱作为一种强大且可靠的工具，用于分析物质的化学信息。将拉曼光谱与深度学习方法相结合可实现材料的快速定性和定量分析。大多数现有方法采用监督学习方法。尽管监督学习在光谱分析中取得了令人满意的准确率，但仍受限于昂贵且有限的标注光谱数据集进行训练。当光谱注释具有挑战性或标注数据不足时，监督学习在光谱材料识别中的性能将下降。为此，我们提出了一种基于掩码自编码器的拉曼光谱自监督学习范式，称为SMAE。SMAE在预训练期间无需任何光谱注释。通过随机掩码然后重建光谱信息，模型学习必需的光谱特征。重建的光谱具有一定的去噪特性，将信噪比（SNR）提高两倍以上。利用掩码预训练获得的网络权重，SMAE在疾病细菌数据集中对30类孤立细菌的聚类准确率超过80%，显著优于经典无监督方法和其他最先进的深度聚类方法。在使用有限标注数据进行微调后，SMAE在测试集上实现83.90%的识别准确率，相较于监督ResNet（83.40%）表现具有竞争力。
引用
@article{arxiv.2504.16130,
title = {A Self-supervised Learning Method for Raman Spectroscopy based on Masked Autoencoders},
author = {Pengju Ren and Ri-gui Zhou and Yaochong Li},
journal= {arXiv preprint arXiv:2504.16130},
year = {2025}
}
备注
15 pages, 10 figures