Transforming Hyperspectral Images Into Chemical Maps: An End-to-End Deep Learning Approach

要約

ハイパースペクトル画像からの化学マップ生成への現在のアプローチは、部分的な最小二乗（PLS）回帰などのモデルに基づいており、空間的コンテキストを考慮せず、高度なノイズに苦しむピクセルごとの予測を生成します。
この研究では、U-NETの修正バージョンとカスタム損失関数を使用してエンドツーエンドの深い学習アプローチを提案し、ハイパースペクトル画像から化学マップを直接取得し、従来のピクセルごとの分析に必要なすべての中間ステップをスキップします。
u-netを、関連する平均脂肪基準値を持つ豚ベリーサンプルの実際のデータセット上の従来のPLS回帰と比較します。
U-NETは、平均脂肪予測のタスクに対するPLS回帰のそれよりも9％から13％低いテストセットのルート平均誤差を取得します。
同時に、u-netは、分散の99.91％が空間的に相関している細かい詳細化学マップを生成します。
逆に、PLS生成化学マップの分散の2.53％のみが空間的に相関しており、各ピクセルごとの予測は隣接するピクセルに大きく依存しないことを示しています。
さらに、PLS生成された化学マップには、0〜100％の物理的に可能な範囲をはるかに超える予測が含まれていますが、U-Netはこの範囲内にとどまることを学びます。
したがって、この研究の結果は、U-NETが化学マップ生成のPLSよりも優れていることを示しています。

要約(オリジナル)

Current approaches to chemical map generation from hyperspectral images are based on models such as partial least squares (PLS) regression, generating pixel-wise predictions that do not consider spatial context and suffer from a high degree of noise. This study proposes an end-to-end deep learning approach using a modified version of U-Net and a custom loss function to directly obtain chemical maps from hyperspectral images, skipping all intermediate steps required for traditional pixel-wise analysis. We compare the U-Net with the traditional PLS regression on a real dataset of pork belly samples with associated mean fat reference values. The U-Net obtains a test set root mean squared error of between 9% and 13% lower than that of PLS regression on the task of mean fat prediction. At the same time, U-Net generates fine detail chemical maps where 99.91% of the variance is spatially correlated. Conversely, only 2.53% of the variance in the PLS-generated chemical maps is spatially correlated, indicating that each pixel-wise prediction is largely independent of neighboring pixels. Additionally, while the PLS-generated chemical maps contain predictions far beyond the physically possible range of 0-100%, U-Net learns to stay inside this range. Thus, the findings of this study indicate that U-Net is superior to PLS for chemical map generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google