0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

基于超快卷积神经网络的无记忆散射成像

西安中科微星 来源:西安中科微星 作者:西安中科微星 2025-02-10 09:34 次阅读
加入交流群
微信小助手二维码

扫码添加小助手

加入工程师交流群

空间光调制器是一种可以在外部信号的控制下实时对入射光的振幅、相位及偏振态进行调制的动态元器件。将空间光调制器应用在散射成像领域,既可以用来替代传统的毛玻璃来产生赝热光场,也可以用做目标物体进行散射成像的研究,空间光调制器的应用,对散射光场调控实现了主动性和可操作性。

论文信息

wKgZO2epVqeAf0QZAAETbAlVxEI382.png

光学记忆效应在复杂散射介质中,包括浑浊组织和斑点层,一直是宏观和微观成像方法的关键基础。然而,在没有光学记忆效应的强散射介质中实现图像重建尚未成功。为此,本文通过开发一种多级卷积光神经网络(ONN),该网络集成了多个以光速运行的并行核,展示了在无光学记忆效应的散射层中进行图像重建的能力。基于傅里叶光学、并行、一步卷积ONN训练,直接提取特征,实现了无记忆图像重建,视场扩大了高达271倍。该设备可动态重新配置,用于超快多任务图像重建,计算能力达到每秒1.57peta操作(POPS),成功建立了一个超快速且高效的图形处理光学机器学习平台。

部分实验过程及实验结果

卷积ONN的实验设置如图1所示。实验中使用反射式强度型调制器SLM0(我司型号FSLM-HD70-A/P,像素大小8μm,1920×1080)来生成卷积ONN的可编程像素级输入。然后,由SLM0调制的光场通过一个4f系统被传递到卷积ONN的输入平面上。4f系统由两个焦距分别为100 mm(L1)和50 mm(L2)的镜头组成,用于为编码成SLM0的物体提供0.5倍的放大倍数。然后,将输入平面发送到三层卷积ONN中进行进一步处理。卷积ONN由三个相位型调制器SLMs(我司型号FSLM-4K70-P02)组成,相位型SLMs有4094×2400像素,像素大小为3.74μm×3.74μm。第一个卷积层被编码为SLM1,输入平面与SLM1之间的距离为10cm。经过SLM1调制后,光束通过分束器BS2和BS3的反射传输到SLM2。第二个卷积层被编码成SLM2,以及SLM1和SLM2是20cm。然后,将由SLM2调制的光束传输到SLM3。第三个全连接层被编码到SLM3中,SLM2与SLM3之间的距离为10 cm。由SLM3调制的光束通过分束器BS4的反射传播到卷积ONN的输出平面上,SLM3与输出平面之间的距离为20cm。采集相机(像素大小4.8μm,1280×1024)放置在卷积ONN的输出平面上,记录推理结果。需要注意的是,卷积ONN的不同层之间的不对齐会显著降低其性能。

wKgZO2epVsmAX6JBAAI6-GQMm0Y833.png图1 三层卷积网络ONN的实验装置示意图。(A)卷积ONN的每一层的参数和坐标。(B)卷积ONN的实验装置。M,反射镜;POL,线性偏振器;BS,分束器;L,透镜;SLM,空间光调制器。

wKgZPGepVtqAe3vEABK5ybY26Go357.png图2 通过散射层堆叠实现无记忆图像重建的机制。(A)通过多个散射片的散射示意图。每个散射片可以建模为一个薄的散射层,N表示散射片的数量,d表示散射片之间的间距。(B)不同散射情况下生成的斑点图案。左侧图比较了光学记忆效应(N = 1,d = 0)和无光学记忆效应(N > 1,d > 0)的斑点。右侧图展示了每种情况下的角相关曲线,虚直线表示单个平面玻璃层的角相关曲线。这些曲线的半高宽决定了成像的视场。(C)在三层卷积ONN中无记忆图像重建的概念。

wKgZO2epVuyASiwQAA1LJyMj0hs597.png图3 光学卷积神经网络原理。(A)三层卷积ONN由两层光学卷积层和一层光学全连接层组成。(B)第一卷积层的结构包含九种不同的核。每个核包括三种结构:涡旋相位、随机相位和光栅相位。(C)第二卷积层的相位结构分为3×3区域。每个区域的相位通过与第一卷积层相同的过程构建,从而产生81个核。(D)基于MNIST和FashionMNIST数据集的推理分类任务中训练的卷积ONN性能。上图展示了每种情况下的学习曲线。下图展示了卷积ONN输出平面上的实验分类结果,红色虚线方块表示为相应数字训练的检测器区域。

wKgZPGepVwaAVSX2AAj5FY0BBT0138.png图4 实验验证无记忆图像重建。(A)训练的具有两个散射层(N = 2)的卷积ONN的实验重建结果。第一行显示了物体的真实图像,第二至第四行分别对应d = 3 cm、d = 4 cm和d = 5 cm的重建结果。(B)训练的具有多个散射层(N > 2)的卷积ONN的实验重建结果。第一至第四行分别对应N = 2、3、4和5的情况。(C)展示了涡旋相位对卷积ONN的影响。右侧图比较了在散射情况d = 5 cm下,有无涡旋相位的卷积核曲线和重建结果。左侧图表明,不同的涡旋相位结构可用于提取输入物体的不同方向边缘信息。

wKgZO2epVxWAck40AAqzZH2biRo716.png图5可训练卷积ONN的动态和多任务性能演示。(A)使用卷积ONN进行无记忆图像重建的动态推理过程(S1和S2)。输入斑点图案加载到60Hz的SLM上。(B)在S3中展示了两个任务的卷积ONN框架,用于视频帧多任务推理以实现无记忆图像重建,第三层全连接光栅的轮廓见图S17。

本实验中所采用振幅型空间光调制器的参数规格如下:

wKgZO2epVyWATUDMAABWGYMFSH8498.png

型号
FSLM-2K70-A02
调制类型
振幅兼相位型
液晶类型
反射式 灰度等级 8位,256阶
分辨率
1920×1080 像元大小 8μm
有效区域
0.69"
15.36mm×8.64mm
填充因子 87%
光学利用率 61%@532nm
62%@635nm
61%@808nm
63%@1064nm
线性度 99%
刷新频率 60Hz 相位范围 1π@532nm
波长矫正 支持 Gamma校正 支持
电源输入
5V 3A 光谱范围 420nm-1100nm
损伤阈值 2W/cm² 对比度 1000:1@532nm
1000:1@635nm
600:1@808nm
100:1@1064nm
数据接口 DVI / HDMI /
/

本实验中所采用相位型空间光调制器的参数规格如下:

wKgZPGepVzCAYb45ABB6h4klSIM222.png

型号
FSLM-4K70-P02
调制类型
相位型
液晶类型
反射式 灰度等级 8位,256阶
像素数
4094×2400
像元大小 3.74μm
有效区域
0.7"
15.31mm×8.98mm
相位范围 2π@633nm
填充因子 90% 光学利用率 60%@532nm
配向角
衍射效率 >97%@32阶 633nm
刷新频率
60Hz 光学利用率 35%@532nm
电源输入
12V 2A 响应时间
上升10.8ms,下降18.5ms
损伤阈值
2W/cm² 数据接口
HDMI

写在最后

在计算成像领域,光学神经网络已经被广泛用于解决鬼成像、数字全息、傅里叶叠层显微等领域的问题。同时,深度学习强大的数据拟合能力和优化求解能力也在散射成像领域发挥着巨大的作用。随着空间光调制器的精细化调制和精准控制,空间光调制器与光学神经网络结合将会摩擦出更多的火花。

文章信息:

DOI: 10.1126/sciadv.adn2205

审核编辑 黄宇

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 神经网络
    +关注

    关注

    42

    文章

    4829

    浏览量

    106829
收藏 人收藏
加入交流群
微信小助手二维码

扫码添加小助手

加入工程师交流群

    评论

    相关推荐
    热点推荐

    自动驾驶中常提的卷积神经网络是个啥?

    在自动驾驶领域,经常会听到卷积神经网络技术。卷积神经网络,简称为CNN,是一种专门用来处理网格状数据(比如图像)的深度学习模型。CNN在图像处理中尤其常见,因为图像本身就可以看作是由像
    的头像 发表于 11-19 18:15 1853次阅读
    自动驾驶中常提的<b class='flag-5'>卷积</b><b class='flag-5'>神经网络</b>是个啥?

    CNN卷积神经网络设计原理及在MCU200T上仿真测试

    数的提出很大程度的解决了BP算法在优化深层神经网络时的梯度耗散问题。当x&gt;0 时,梯度恒为1,梯度耗散问题,收敛;当x&lt;0 时,该层的输出为0。 CNN
    发表于 10-29 07:49

    NMSIS神经网络库使用介绍

    :   神经网络卷积函数   神经网络激活函数   全连接层函数   神经网络池化函数   Softmax 函数   神经网络支持功能
    发表于 10-29 06:08

    卷积运算分析

    的数据,故设计了ConvUnit模块实现单个感受域规模的卷积运算. 卷积运算:不同于数学当中提及到的卷积概念,CNN神经网络中的卷积严格意义
    发表于 10-28 07:31

    在Ubuntu20.04系统中训练神经网络模型的一些经验

    模型。 我们使用MNIST数据集,训练一个卷积神经网络(CNN)模型,用于手写数字识别。一旦模型被训练并保存,就可以用于对新图像进行推理和预测。要使用生成的模型进行推理,可以按照以下步骤进行操作: 1.
    发表于 10-22 07:03

    CICC2033神经网络部署相关操作

    读取。接下来需要使用扩展指令,完成神经网络的部署,此处仅对第一层卷积+池化的部署进行说明,其余层与之类似。 1.使用 Custom_Dtrans 指令,将权重数据、输入数据导入硬件加速器内。对于权重
    发表于 10-20 08:00

    液态神经网络(LNN):时间连续性与动态适应性的神经网络

    1.算法简介液态神经网络(LiquidNeuralNetworks,LNN)是一种新型的神经网络架构,其设计理念借鉴自生物神经系统,特别是秀丽隐杆线虫的神经结构,尽管这种微生物的
    的头像 发表于 09-28 10:03 718次阅读
    液态<b class='flag-5'>神经网络</b>(LNN):时间连续性与动态适应性的<b class='flag-5'>神经网络</b>

    卷积神经网络如何监测皮带堵料情况 #人工智能

    卷积神经网络
    jf_60804796
    发布于 :2025年07月01日 17:08:42

    上海光机所在散射成像机理研究方面取得进展

    ,中国科学院上海光学精密机械研究所空天激光技术与系统部刘红林副研究员团队在光学散射成像机理研究中取得进展。相关研究成果以"Effects of Different Scattering Components
    的头像 发表于 05-28 08:08 376次阅读
    上海光机所在<b class='flag-5'>散射成像</b>机理研究方面取得进展

    BP神经网络卷积神经网络的比较

    BP神经网络卷积神经网络在多个方面存在显著差异,以下是对两者的比较: 一、结构特点 BP神经网络 : BP神经网络是一种多层的前馈
    的头像 发表于 02-12 15:53 1346次阅读

    BP神经网络的优缺点分析

    BP神经网络(Back Propagation Neural Network)作为一种常用的机器学习模型,具有显著的优点,同时也存在一些不容忽视的缺点。以下是对BP神经网络优缺点的分析: 优点
    的头像 发表于 02-12 15:36 1614次阅读

    什么是BP神经网络的反向传播算法

    BP神经网络的反向传播算法(Backpropagation Algorithm)是一种用于训练神经网络的有效方法。以下是关于BP神经网络的反向传播算法的介绍: 一、基本概念 反向传播算法是BP
    的头像 发表于 02-12 15:18 1300次阅读

    BP神经网络与深度学习的关系

    BP神经网络与深度学习之间存在着密切的关系,以下是对它们之间关系的介绍: 一、BP神经网络的基本概念 BP神经网络,即反向传播神经网络(Backpropagation Neural N
    的头像 发表于 02-12 15:15 1364次阅读

    BP神经网络的基本原理

    BP神经网络(Back Propagation Neural Network)的基本原理涉及前向传播和反向传播两个核心过程。以下是关于BP神经网络基本原理的介绍: 一、网络结构 BP神经网络
    的头像 发表于 02-12 15:13 1548次阅读

    人工神经网络的原理和多种神经网络架构方法

    在上一篇文章中,我们介绍了传统机器学习的基础知识和多种算法。在本文中,我们会介绍人工神经网络的原理和多种神经网络架构方法,供各位老师选择。 01 人工神经网络   人工神经网络模型之所
    的头像 发表于 01-09 10:24 2272次阅读
    人工<b class='flag-5'>神经网络</b>的原理和多种<b class='flag-5'>神经网络</b>架构方法