본 논문은 다중 스케일 주의 메커니즘과 도메인 대립 학습을 융합한 크로스 디바이스 모델링 방법을 제안한다. 특징 추출 단계에서는 합성곱 블록 주의 모듈과 다중 스케일 특징 융합을 결합한 1차원 인코더-디코더 네트워크를 구축하여 스펙트럼의 전역 트렌드와 국부 세부 특징을 동시에 캡처하고 노이즈를 억제한다. 전이 전략에서는 도메인 대립 학습을 도입하여 그라디언트 반전층과 도메인 분류기의 적대적 학습을 통해 소스 디바이스와 목표 디바이스 특징 분포의 엔드 투 엔드 정렬을 실현하며, 표준 정규 변수 변환과 Savitzky-Golay 컨볼루션 평활화를 결합하여 스펙트럼 입력의 일관성과 신호 대 잡음비를 향상시킨다. 휴대용 근적외선 분광기 두 대로 수집한 1,330개 보크사이트 스펙트럼 데이터에 대한 8겹 교차 검증에서 본 방법은 목표 디바이스에서 결정계수 0.8603, 평균 제곱근 오차 1.7521을 달성하여 기존 교정 방법과 여러 딥러닝 베이스라인 모델보다 현저히 우수한 성능을 보였다. 특징 분포 시각화 및 제거 실험은 다중 스케일 특징 융합, 주의 메커니즘 및 도메인 대립 전략이 특징 정렬 및 성능 향상에 효과적임을 추가로 검증했다.

근적외선 분광;전이 학습;보크사이트;다중 스케일 융합