DiffRaman：用于有限数据条件下细菌拉曼光谱识别的条件潜在去噪扩散概率模型
计算机视觉与模式识别
2024-12-12 v1 人工智能
机器学习
摘要
拉曼光谱在 various biochemical 检测领域吸引了广泛关注，尤其是针对致病细菌的快速识别。将该技术与深度学习集成以实现自动化细菌拉曼光谱诊断已成为近期研究的关键焦点。然而，现有深度学习方法的诊断性能很大程度上取决于充足的数据集，在拉曼光谱数据稀缺的场景中，无法充分优化深度神经网络的众多参数。为此，本文提出一种利用深度生成模型扩充数据量并提升细菌拉曼光谱识别准确性的数据生成方法。具体而言，我们引入 DiffRaman，一种用于拉曼光谱生成的条件潜在去噪扩散概率模型。实验结果表明，DiffRaman 生成的合成细菌拉曼光谱能够有效模拟真实实验光谱，从而提升诊断模型的性能，尤其是在数据有限的情况下。此外，与现有生成模型相比，所提出的 DiffRaman 在生成质量和计算效率方面均有所改进。我们的 DiffRaman 方法为数据稀缺场景下的自动细菌拉曼光谱诊断提供了理想的解决方案，为缓解光谱测量的工作负担并提升罕见细菌识别提供了新的思路。
引用
@article{arxiv.2412.08131,
title = {DiffRaman: A Conditional Latent Denoising Diffusion Probabilistic Model for Bacterial Raman Spectroscopy Identification Under Limited Data Conditions},
author = {Haiming Yao and Wei Luo and Ang Gao and Tao Zhou and Xue Wang},
journal= {arXiv preprint arXiv:2412.08131},
year = {2024}
}