重新评估卷积神经网络在光谱分析中的应用：聚焦拉曼光谱
机器学习
2025-10-01 v1
摘要
火星探测器、深海着陆器和野外机器人上的自主拉曼仪器必须解读受荧光基线、峰移和有限的真值标签干扰的原始光谱。使用 RRUFF 数据库的精选子集，我们评估了一维卷积神经网络，并报告了四项进展：(i) 基线无关分类：紧凑的 CNN 在手工特征上超越了 k 近邻和支持向量机，去除了背景校正和峰拾取阶段，同时通过公开的数据划分和脚本确保了可重复性。(ii) 池化控制的鲁棒性：调整单一池化参数可适应高达 的拉曼位移，在平移不变性与光谱分辨率之间取得平衡。(iii) 标签高效学习：半监督生成对抗网络和对比预训练在仅有 10% 标签的情况下将准确率提高了 11%，这对于标注稀缺的自主部署很有价值。(iv) 恒定时间适应：冻结 CNN 主干网络并仅重新训练 softmax 层，以 的成本将模型迁移至未见过的矿物，在资源受限的处理器上优于 Siamese 网络。这一工作流程包括在原始光谱上训练、调整池化、在标签稀缺时加入半监督，以及针对新目标进行轻量微调，为自主探索中鲁棒、低占用的拉曼分类提供了一条实用路径。
引用
@article{arxiv.2509.25964,
title = {Reevaluating Convolutional Neural Networks for Spectral Analysis: A Focus on Raman Spectroscopy},
author = {Deniz Soysal and Xabier García-Andrade and Laura E. Rodriguez and Pablo Sobron and Laura M. Barge and Renaud Detry},
journal= {arXiv preprint arXiv:2509.25964},
year = {2025}
}