Publicación:

Design of an End-to-End Deep Learning System for the Spectral Band Selection and the Classification of Near-infrared Spectral Signatures

Resumen

Los datos espectrales proporcionan información específica de los materiales en una amplia gama de longitudes de onda electromagnéticas. Sin embargo, la adquisición de estos datos presenta retos como la redundancia de datos, largos tiempos de adquisición y gran capacidad de almacenamiento. Para hacer frente a estos retos, se introduce la selección de bandas como una estrategia que se centra en utilizar sólo las bandas más relevantes para preservar la información espectral para una tarea específica. Los métodos más avanzados se centran en encontrar las bandas a partir de datos adquiridos previamente, independientemente del sistema óptico y del modelo de clasificación. Sin embargo, algunos métodos de aprendizaje profundo, como extremo a extremo, permiten diseñar sistemas ópticos y aprender los parámetros de la red en conjunto. En este trabajo, modelamos la selección de banda óptica como una capa entrenable acoplada a una red de clasificación cuyos parámetros se aprenden en un marco extremo a extremo. Para garantizar un sistema físicamente implementable, se propusieron dos términos de regularización en el entrenamiento para promover la binarización y el número de bandas seleccionadas, ya que se necesita proporcionar las condiciones para diseñar el elemento físico. También, se implementó un sistema de escaneo de punto, que es la versión emulada de la selección de bandas para firmas espectrales de 15 materiales diferentes. El método propuesto proporciona un mejor rendimiento que los métodos de selección de bandas más avanzados para tres conjuntos de datos espectrales públicos diferentes a pesar de capturar 478 longitudes de onda en una implementación óptica, el mismo rendimiento se logró con datos reducidos, utilizando sólo 4 bandas y en otro sistema se redujo al 2% la cantidad de bandas obteniendo resultados comparables.