光谱指数与特征中化学键表示的神经网络学习
计算机视觉与模式识别
2022-07-22 v1 机器学习
图像与视频处理
仪器与探测器
摘要
本文研究用于高光谱成像分类的神经网络，重点将网络架构与传感物理及所含材料的物理特性相联系。光谱学是测量材料作为波长函数的反射或发射光的过程。材料中存在的分子键具有振动频率，这会影响在每个波长处测得的光量。因此，测得的光谱包含关于特定化学成分和键类型的信息。例如，叶绿素在近红外波段（800-900nm）比在红光波段（625-675nm）反射更多光，这种差异可使用归一化植被差异指数（NDVI）来测量，该指数常用于在这些波长采集的影像中检测植被的存在、健康状况和类型。本文表明，在不同植被类别上训练的神经网络中的权重学会了测量这种反射率差异。接着我们表明，在更复杂的十种不同聚合物材料集上训练的神经网络会学习到网络中权重所显现的光谱“特征”，这些特征可用于可靠区分不同类型的聚合物。对权重的检验提供了对网络的可被人理解的认识。
引用
@article{arxiv.2207.10530,
title = {Neural Network Learning of Chemical Bond Representations in Spectral Indices and Features},
author = {Bill Basener},
journal= {arXiv preprint arXiv:2207.10530},
year = {2022}
}