第一次拉曼组会

光谱的识别与3D成像方向

方法学：python、深度学习上的改进
一维拉曼：讲故事，干什么？好处是？
多模态转换（起步还需后续验证）：拉曼光谱与全息成像是否能够互相和转换

组会安排

开会频率自由，不固定时间。但月最少两次
组会内容，与正常组会有别，主要是讨论问题抛出问题，解决问题。不需要太过严谨

拉曼基础

需要学习拉曼基础知识，补全数学基础，值得一提的的是需要特别学习一下主成分分析法

组会内容

基于深度可分离三维成像去噪方法的细胞拉曼成像朱伟乐、小论文

工作

论文采用了神经网络对3D图像进行去噪处理，论文属于方法创新，创新了神经网络

数据集

公开数据集，加上自己小样本数据辅佐说明实验

网络

改进的CNN网络，通过分离模块减少了网络训练产生，使得网络训练3D图像速度大大快

loss

目前：基础的损失函数，改进：加上约束项

问题

选择作为真值的图像本身的噪声处理问题，图像优化过于平滑

万、小论文、一区

工作

就使用了一个简单的CNN网络对干细胞进行功能性的预测

数据集

干细胞不同时间阶段中多功能性荧光图像

网络

CNN

优点

首先通过CNN网络学习到干细胞功能性预测，然后通过学习后的CNN网络发现在CNN对干细胞功能性能力判别时所关注的拉曼峰发现主要通过‘xx’峰进行判别，在反过来提出该‘xx’峰所对应的物质对干细胞功能性能力的影响。
该论文不是简短的应用创新，同学也研究创新发现了莫种物质对细胞能力的影响。同循循渐进的创新提升的论文的质量，值得学习

论文写作

研究背景，研究内容，技术路径，技术流程

任务

多模转换项目初体验

目标

找到一个网络并试着完成拉曼光谱与全息图之间的相互转换，网络不限。可以无监督，有监督学习。先完成网络的预想和构建，在提供数据集（数据集需要张老师找两个不同的师兄要）共同完成

数据集

小数据集样本

困难

缺乏具体的理论支持
数据集少