自监督光谱融合模型

少量标签近全精度

用于多源光谱融合的自监督学习模型，仅用不到10%的标记样本即可达到接近全量标记的性能。

Zhang, Liu · 刘金存 · 位耀光 · 安冬 · 宁欣

Information Fusion 2025

参数信息

标记样本使用率

<10 %

性能保持率

99 %

技术优势

标记样本节省90%以上

仅用不到10%的总样本量就能达到接近最佳结果的99%性能，大幅降低数据标注成本。

训练更快

自监督预训练模型在下游任务中优于无预训练模型，且计算开销更低。

融合优于单源

多源光谱融合模型比单源光谱模型预测更准确。

应用场景

• 水果内部品质评价：用少量标记样本即可建立高精度干物质含量等内部品质预测模型。
• 食品光谱分析：利用自监督学习从大量无标签光谱中预训练，降低食品成分分析建模成本。
• 光谱仪器数据分析：整合多源光谱数据并迁移预训练知识，提升仪器数据分析的预测效果。
• 农业智能感知：以更低成本获得稳健模型，适合农业场景中标记数据稀缺的条件。