深度散斑相关性的 python实现:一种通过散射进行尺度成像的深度_python_代码_下载

上传者: 38334677 | 上传时间: 2022-06-12 14:05:05 | 文件大小: 3.92MB | 文件类型: ZIP
深度散斑相关性:一种通过散射介质实现可扩展成像的深度学习方法。 通过散射成像是一个重要但具有挑战性的问题。通过利用固定介质的确定性输入-输出传输矩阵已经取得了巨大的进步。然而,这种一对一的方法非常容易受到散斑去相关的影响——对散射介质的小扰动会导致模型错误和成像性能的严重下降。我们的目标是开发一个新的框架,该框架对介质扰动和测量要求都具有高度可扩展性。为此,我们提出了一种全面的统计深度学习技术,该技术封装了广泛的统计变化,使模型能够适应散斑去相关。具体来说,我们开发了一个卷积神经网络 (CNN),它能够学习在一组具有相同宏观参数的扩散器上捕获的散斑强度模式中包含的统计信息。然后,据我们所知,我们首次展示了经过训练的 CNN 能够通过一组完全不同的相同类别的扩散器进行泛化并进行高质量的对象预测。我们的工作为通过散射介质成像的高度可扩展的深度学习方法铺平了道路。

文件下载

资源详情

[{"title":"( 13 个子文件 3.92MB ) 深度散斑相关性的 python实现:一种通过散射进行尺度成像的深度_python_代码_下载","children":[{"title":"Deep-Speckle-Correlation-master","children":[{"title":"README.md <span style='color:#111;'> 2.51KB </span>","children":null,"spread":false},{"title":"LICENSE <span style='color:#111;'> 1.51KB </span>","children":null,"spread":false},{"title":".gitattributes <span style='color:#111;'> 66B </span>","children":null,"spread":false},{"title":"traning code.py <span style='color:#111;'> 2.25KB </span>","children":null,"spread":false},{"title":"model.py <span style='color:#111;'> 5.70KB </span>","children":null,"spread":false},{"title":"test_data","children":[{"title":"number_8.npy <span style='color:#111;'> 2.50MB </span>","children":null,"spread":false},{"title":"letter_E.npy <span style='color:#111;'> 2.50MB </span>","children":null,"spread":false},{"title":"number_9.npy <span style='color:#111;'> 2.50MB </span>","children":null,"spread":false},{"title":"letter_S.npy <span style='color:#111;'> 2.50MB </span>","children":null,"spread":false}],"spread":true},{"title":"images","children":[{"title":"img3.png <span style='color:#111;'> 302.93KB </span>","children":null,"spread":false},{"title":"img1.png <span style='color:#111;'> 336.63KB </span>","children":null,"spread":false},{"title":"img2.png <span style='color:#111;'> 202.40KB </span>","children":null,"spread":false}],"spread":true},{"title":"demo.py <span style='color:#111;'> 2.07KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明