0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

利用全卷積神經(jīng)網(wǎng)絡(luò)生成多深度三維全息

西安中科微星 ? 來(lái)源:西安中科微星 ? 作者:西安中科微星 ? 2024-06-21 14:00 ? 次閱讀

空間光調(diào)制器是一種在主動(dòng)控制下利用自身屬性對(duì)輸入光的振幅、相位等參量做調(diào)制輸出的光學(xué)器件,通過(guò)對(duì)光波波前、光波波束進(jìn)行量化及指向性的控制,在最終接受面獲得預(yù)期的光場(chǎng)分布。將空間光調(diào)制器應(yīng)用在光學(xué)神經(jīng)網(wǎng)絡(luò)已經(jīng)過(guò)幾十年的發(fā)展,并且隨著空間光調(diào)制器調(diào)制精度的提升以及計(jì)算算法的不斷優(yōu)化,光學(xué)神經(jīng)網(wǎng)絡(luò)的巨大潛力也不斷地被挖掘,在機(jī)器視覺(jué)、醫(yī)學(xué)影像處理、光學(xué)傳感器網(wǎng)絡(luò)等領(lǐng)域都有著潛在的應(yīng)用前景。

論文信息

wKgZomZ1E0-AMTKlAAJttB4LLz4727.png

本文介紹了一種利用全卷積神經(jīng)網(wǎng)絡(luò)(FCN)生成多深度相位全息的方法。該方法主要涉及一個(gè)前向-后向衍射框架來(lái)計(jì)算多深度衍射場(chǎng),以及一個(gè)逐層替換方法(L2RM)來(lái)處理遮擋關(guān)系。由前者計(jì)算的衍射場(chǎng)被輸入到精心設(shè)計(jì)的FCN中,它利用其強(qiáng)大的非線性擬合能力來(lái)生成3D場(chǎng)景的多深度全息圖。后者可以通過(guò)補(bǔ)充被遮擋物體的信息,使場(chǎng)景重建中不同層的邊界進(jìn)行平滑處理,從而提高全息圖的重建質(zhì)量。實(shí)驗(yàn)中通過(guò)將計(jì)算全息圖(computer-generated hologram,CGH)加載到核心組件空間光調(diào)制器(spatial light modulator,SLM)上,實(shí)現(xiàn)刷新和動(dòng)態(tài)3D顯示。

部分實(shí)驗(yàn)過(guò)程及實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中使用波長(zhǎng)為638(±8)nm、功率為30mW的非偏振半導(dǎo)體激光器,如圖1所示,光纖的輸出端放置在焦距為100mm的準(zhǔn)直透鏡焦點(diǎn)處來(lái)獲得平面波,使用中性密度濾波器作為衰減器和偏振器來(lái)獲得線偏光。旋轉(zhuǎn)半波片(HWP)使得光的偏振方向與LCOS配向角方向一致,接著插入一個(gè)矩形孔徑,得到矩形輪廓。利用空間光調(diào)制器(中科微星 FSLM-4K70-P02)對(duì)入射光進(jìn)行相位調(diào)制和反射,再使用焦距為100mm的傅里葉透鏡進(jìn)一步放大重建場(chǎng)景。采用空間濾波器,使所需的衍射階通過(guò),其他衍射階濾波。重建后的放大3D場(chǎng)景使用相機(jī)拍攝。

wKgZomZ1E2SASpN0AAsCHvb0c_4621.png圖1 實(shí)驗(yàn)裝置(相位型空間光調(diào)制器,型號(hào):FSLM-4K70-P02)

實(shí)驗(yàn)中所采用空間光調(diào)制器的參數(shù)規(guī)格如下:

wKgaomZ1E3SAD-5kAAHCiJmRCjU378.png

型號(hào)
FSLM-4K70-P02
調(diào)制類型
相位型
液晶類型
反射式 灰度等級(jí) 8位,256階
像素?cái)?shù)
4094×2400
像元大小 3.74μm
有效區(qū)域
0.7"
15.31mm×8.98mm
相位范圍 2π@633nm
填充因子 90% 光學(xué)利用率 60%@532nm
配向角
衍射效率 >97%@32階 633nm
刷新頻率
60Hz 光學(xué)利用率 35%@532nm
電源輸入
12V 2A 響應(yīng)時(shí)間
上升10.8ms,下降18.5ms
損傷閾值
2W/cm2 數(shù)據(jù)接口
HDMI

wKgaomZ1E3yAKG7cABfcve3pcPY656.png圖2三維圖形數(shù)據(jù)集的生成。A)3D隨機(jī)場(chǎng)景。B)取樣過(guò)程。C)強(qiáng)度圖像。D)深度圖像。E)三維圖形數(shù)據(jù)集。

wKgaomZ1E4yAJG2tAA16j_QnYR0348.png圖3 用FCN生成多深度全息圖。A)利用前后衍射框架計(jì)算多深度衍射場(chǎng)。B)FCN的結(jié)構(gòu)。C)多深度誤差的計(jì)算。

wKgZomZ1E5uAdggsADTLDPHYrBo834.png圖4 重建圖像的質(zhì)量比較。A)目標(biāo)場(chǎng)景。B) 分別對(duì)應(yīng)標(biāo)準(zhǔn)方法和L2RM的數(shù)值重建。C) 分別對(duì)應(yīng)標(biāo)準(zhǔn)方法和L2RM的光學(xué)重建。

wKgZomZ1FEGAWc88ABUJ4SUjnpE678.png圖5 復(fù)雜的三維場(chǎng)景和相應(yīng)的全息圖。A)強(qiáng)度圖像和B)三維場(chǎng)景的深度圖像。C)由FCN生成的多深度全息圖。

wKgZomZ1FmKACCBwACMdfYGfxhM158.png圖6 A) WH、B) DPH和C) L2RM的數(shù)值重建和光學(xué)重建。第1、3、5行的圖像表示數(shù)值重建,而第2、4、6行表示光學(xué)重建。在第1列和第2列中,相機(jī)分別聚焦于“足球-吉他”的前聚焦平面(“足球”)和后聚焦平面(“吉他”)。在第3列和第4列中,相機(jī)分別聚焦于“飛機(jī)-狗”的前對(duì)焦平面(“飛機(jī)”)和后對(duì)焦平面(“狗”)。

wKgaomZ1FmyAWVm5ABxjce9q0dA321.png圖7 在不同深度的平面上重建對(duì)象。

寫在最后

光神經(jīng)網(wǎng)絡(luò)因具有并行大規(guī)模計(jì)算、低功耗運(yùn)行以及快速響應(yīng)的潛力而受人們的廣泛關(guān)注,而空間光調(diào)制器作為衍射器件在衍射神經(jīng)網(wǎng)絡(luò)中扮演著重要角色,并且應(yīng)用在眾多領(lǐng)域中,例如AR/VR的3D全息成像計(jì)算、生物醫(yī)學(xué)成像、光學(xué)傳感等。基于衍射神經(jīng)網(wǎng)絡(luò)的可編程能力,未來(lái)有望實(shí)現(xiàn)更高性能的衍射神經(jīng)網(wǎng)絡(luò)。

審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    卷積神經(jīng)網(wǎng)絡(luò)的工作原理和應(yīng)用

    卷積神經(jīng)網(wǎng)絡(luò)(FCN)是深度學(xué)習(xí)領(lǐng)域中的一種特殊類型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),尤其在計(jì)算機(jī)視覺(jué)領(lǐng)域表現(xiàn)出色。它通過(guò)全局平均池化或轉(zhuǎn)置
    的頭像 發(fā)表于 07-11 11:50 ?731次閱讀

    基于神經(jīng)網(wǎng)絡(luò)全息生成算法

    全息生成技術(shù)作為光學(xué)與計(jì)算機(jī)科學(xué)交叉領(lǐng)域的重要研究方向,近年來(lái)隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的飛速發(fā)展,取得了顯著進(jìn)展?;?b class='flag-5'>神經(jīng)網(wǎng)絡(luò)的全息
    的頭像 發(fā)表于 07-09 15:54 ?295次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)示例

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡(jiǎn)稱CNN)是一種深度學(xué)習(xí)模型,主要用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù),如圖像。CNN通過(guò)卷積層自動(dòng)提取圖像特征,然后通
    的頭像 發(fā)表于 07-03 10:51 ?315次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)原理

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,簡(jiǎn)稱CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識(shí)別、視頻分析、自然語(yǔ)言處理等領(lǐng)域。本文將詳細(xì)介紹卷積
    的頭像 發(fā)表于 07-03 10:49 ?454次閱讀

    cnn卷積神經(jīng)網(wǎng)絡(luò)分類有哪些

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像分類、目標(biāo)檢測(cè)、語(yǔ)義分割等領(lǐng)域。本文將詳細(xì)介紹CNN在分類任務(wù)中的應(yīng)用,包括基本結(jié)構(gòu)、關(guān)鍵技術(shù)、常見(jiàn)網(wǎng)絡(luò)架構(gòu)以及實(shí)際應(yīng)用案例。
    的頭像 發(fā)表于 07-03 09:28 ?396次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的是什么

    、訓(xùn)練過(guò)程以及應(yīng)用場(chǎng)景。 1. 卷積神經(jīng)網(wǎng)絡(luò)的基本概念 1.1 卷積神經(jīng)網(wǎng)絡(luò)的定義 卷積神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-03 09:15 ?276次閱讀

    深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

    隨著人工智能技術(shù)的飛速發(fā)展,深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)作為其中的重要分支,已經(jīng)在多個(gè)領(lǐng)域取得了顯著的應(yīng)用成果。從圖像識(shí)別、語(yǔ)音識(shí)別
    的頭像 發(fā)表于 07-02 18:19 ?681次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)的原理與實(shí)現(xiàn)

    1.卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,簡(jiǎn)稱CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識(shí)別、視頻分析、自然語(yǔ)言處理等領(lǐng)域。 卷積
    的頭像 發(fā)表于 07-02 16:47 ?393次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其功能

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡(jiǎn)稱CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識(shí)別、視頻分析、自然語(yǔ)言處理等領(lǐng)域。本文將詳細(xì)介紹卷積
    的頭像 發(fā)表于 07-02 14:45 ?837次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)的原理是什么

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡(jiǎn)稱CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域。本文將詳細(xì)介紹卷積
    的頭像 發(fā)表于 07-02 14:44 ?444次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    化能力。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能領(lǐng)域的重要技術(shù)之一。卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)
    的頭像 發(fā)表于 07-02 14:24 ?1831次閱讀

    深度神經(jīng)網(wǎng)絡(luò)模型有哪些

    模型: 多層感知器(Multilayer Perceptron,MLP): 多層感知器是最基本的深度神經(jīng)網(wǎng)絡(luò)模型,由多個(gè)連接層組成。每個(gè)隱藏層的神經(jīng)元數(shù)量可以不同,通常使用激活函數(shù)如
    的頭像 發(fā)表于 07-02 10:00 ?907次閱讀

    詳解深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

    處理技術(shù)也可以通過(guò)深度學(xué)習(xí)來(lái)獲得更優(yōu)異的效果,比如去噪、超分辨率和跟蹤算法等。為了跟上時(shí)代的步伐,必須對(duì)深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)技術(shù)有所學(xué)習(xí)和研究。本文將介紹深度學(xué)習(xí)技術(shù)、
    的頭像 發(fā)表于 01-11 10:51 ?1776次閱讀
    詳解<b class='flag-5'>深度</b>學(xué)習(xí)、<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>與<b class='flag-5'>卷積</b><b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的應(yīng)用

    卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

    卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)? 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是一種基于深度學(xué)習(xí)的
    的頭像 發(fā)表于 12-07 15:37 ?3901次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)通俗理解

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(Feed
    的頭像 發(fā)表于 11-26 16:26 ?969次閱讀