HyDeMiC：基于深度学习的矿物分类器
计算机视觉与模式识别
2026-01-27 v1
摘要
矢量成像（HSI）已成为矿物勘探的强大遥感工具，利用矿物独特的光谱特征。然而，传统分类方法如判别分析、逻辑回归和支持向量机常在数据中的环境噪声、传感器局限性以及分析高维HSI数据的计算复杂度方面难以胜任。本研究提出HyDeMiC（Hyperspectral Deep Learning-based Mineral Classifier），一个为在噪声数据下稳健矿物分类而设计的卷积神经网络（CNN）模型。为训练HyDeMiC，我们使用来自美国地质调查局（USGS）图书馆的115种矿物的实验室测量的高谱位成像数据。训练数据集通过将参考矿物光谱与HSI传感器响应函数卷积生成。数据集包含三种含铜矿物：Cuptite、马拉奇特和Chalcopyrite，用作性能演示的案例研究。所训练的CNN模型在多个带有1%、2%、5%和10%噪声水平的合成2D高谱位数据集上进行评估。我们的噪声数据分析旨在复制现实场地条件。对HyDeMiC的性能使用 Matthews相关系数（MCC）进行评估，这是一种在不同噪声 regime 下的综合性衡量标准。结果表明，HyDeMiC在干净和低噪声数据集上实现了近乎完美的分类准确率（MCC=1.00），在中等噪声条件下仍保持强大的性能。这些发现突显了HyDeMiC在存在中等噪声时的鲁棒性，凸显了其在高谱位成像中应用于实际场景的潜力，其中噪声常是重大挑战。
引用
@article{arxiv.2601.17352,
title = {HyDeMiC: A Deep Learning-based Mineral Classifier using Hyperspectral Data},
author = {M. L. Mamud and Piyoosh Jaysaval and Frederick D Day-Lewis and M. K. Mudunuru},
journal= {arXiv preprint arXiv:2601.17352},
year = {2026}
}