基于三维卷积变分自编码器的 EELS 谱图图像中稳健的谱异常检测
计算机视觉与模式识别
2024-12-24 v1 材料科学
机器学习
摘要
我们提出了一种用于自动化异常检测的三维卷积变分自编码器 (3D-CVAE)，用于 Electron Energy Loss Spectroscopy Spectrum Imaging (EELS-SI) 数据。该方法利用 EELS-SI 数据的完整三维结构，以保持空间和谱相关性来检测微小的谱异常。通过采用负对数似然损失并以bulk谱进行训练，模型学习重建特征为无缺陷材料所特有的bulk特征。在探索异常检测方法时，我们评估了我们的3D-CVAE方法和主成分分析 (PCA)，使用设计用于模拟材料缺陷的 Fe L 边峰位偏移来测试其性能。我们的结果表明，3D-CVAE 在异常检测方面优于 PCA，并在各种偏移幅度下保持一致性能。该方法在正常与异常谱图之间实现了明显的双峰分离，实现可靠分类。进一步分析验证了低维表示对数据中的异常具有鲁棒性。尽管在异常浓度降低时与 PCA 的性能优势会减弱，但该方法即使在具有挑战性的噪声主导的谱区域也能保持高质量的重建。该方法为 EELS-SI 数据中基于无监督的自动化谱异常检测提供了稳健框架，尤其适用于分析复杂材料系统。
引用
@article{arxiv.2412.16200,
title = {Robust Spectral Anomaly Detection in EELS Spectral Images via Three Dimensional Convolutional Variational Autoencoders},
author = {Seyfal Sultanov and James P Buban and Robert F Klie},
journal= {arXiv preprint arXiv:2412.16200},
year = {2024}
}