放射性同位素识别的模拟到真实监督域自适应
机器学习
2025-11-19 v4 核理论
摘要
机器学习有望通过伽马能谱学提高放射性同位素识别的速度和可靠性。然而，精心标注实验数据集进行训练往往成本高昂，而纯粹基于合成数据训练模型则因模拟与实验测量之间的领域差距而存在风险。在本研究中，我们证明监督域自适应可以通过在合成与实验数据领域之间转移知识，显著提高放射性同位素识别模型的性能。我们考虑了两种域自适应场景：（1）模拟到模拟的自适应，其中我们使用模拟的高纯锗探测器进行多标签比例估计；（2）模拟到实验的自适应，其中我们使用来自手持式镧溴（LaBr）和碘化钠（NaI）探测器的测量光谱进行多类单标签分类。我们首先使用自定义的基于Transformer的神经网络在合成数据上预训练光谱分类器。在仅对64个标注的实验光谱进行微调后，我们在模拟到真实场景中实现了96%的测试准确率，远超仅使用合成数据的基线模型（75%）和在同一64个光谱上从头训练的模型（80%）。此外，我们证明域自适应模型比纯实验基线模型学习到更具人类可解释性的特征。总体而言，我们的结果突显了监督域自适应技术在弥合放射性同位素识别中模拟到真实差距方面的潜力，使得即使在实验数据获取受限的真实场景中也能开发出准确且可解释的分类器。
引用
@article{arxiv.2412.07069,
title = {Sim-to-real supervised domain adaptation for radioisotope identification},
author = {Peter Lalor and Henry Adams and Alex Hagen},
journal= {arXiv preprint arXiv:2412.07069},
year = {2025}
}
备注
32 pages, 9 figures, and 7 tables