Can We Transfer Noise Patterns? A Multi-environment Spectrum Analysis Model Using Generated Cases

要約

オンライン水質検査のスペクトル分析システムは、汚染物質の種類と濃度を検出し、規制当局が汚染事件に迅速に対応できるように設計されています。
しかし、スペクトルデータに基づいた試験装置は、実験室以外の環境に導入すると複雑なノイズパターンに悩まされます。
解析モデルをより多くの環境に適用できるようにするために、さまざまな環境にある標準水サンプルのスペクトルをケースとして取り上げ、それらのノイズパターンの違いを学習することで、ノイズパターンを未知のサンプルに転写できるようにするノイズパターン転写モデルを提案します。
残念ながら、避けられないサンプル レベルのベースライン ノイズにより、モデルはデータセット レベルの環境ノイズのみが異なるペアのデータを取得できなくなります。
この問題に対処するために、サンプル間のケースベースを生成して、データセットレベルのノイズ学習に対するサンプルレベルのノイズの干渉を排除し、システムの学習パフォーマンスを向上させます。
さまざまなバックグラウンド ノイズを含むスペクトル データの実験により、ウェーブレット ノイズ除去、ディープ ニューラル ネットワーク、生成モデルに至るまでのベースライン システムに対する、提案された方法の良好なノイズ伝達能力が実証されました。
この研究から、私たちの方法は高品質のケースを生成することで DL モデルのパフォーマンスを向上できると考えられます。
ソース コードは、オンライン https://github.com/Magnomic/CNST で公開されています。

要約(オリジナル)

Spectrum analysis systems in online water quality testing are designed to detect types and concentrations of pollutants and enable regulatory agencies to respond promptly to pollution incidents. However, spectral data-based testing devices suffer from complex noise patterns when deployed in non-laboratory environments. To make the analysis model applicable to more environments, we propose a noise patterns transferring model, which takes the spectrum of standard water samples in different environments as cases and learns the differences in their noise patterns, thus enabling noise patterns to transfer to unknown samples. Unfortunately, the inevitable sample-level baseline noise makes the model unable to obtain the paired data that only differ in dataset-level environmental noise. To address the problem, we generate a sample-to-sample case-base to exclude the interference of sample-level noise on dataset-level noise learning, enhancing the system’s learning performance. Experiments on spectral data with different background noises demonstrate the good noise-transferring ability of the proposed method against baseline systems ranging from wavelet denoising, deep neural networks, and generative models. From this research, we posit that our method can enhance the performance of DL models by generating high-quality cases. The source code is made publicly available online at https://github.com/Magnomic/CNST.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google