RESNET50 卷积神经网络在散射介质中光学参数提取的应用

Apr, 2024

RESNET50 卷积神经网络在散射介质中光学参数提取的应用

Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media

Bowen Deng, Yihan Zhang, Andrew Parkes, Alex Bentley, Amanda Wright...

TL;DR通过使用卷积神经网络 RESNET 50 和模拟数据，我们训练的通用卷积神经网络能够从散射介质中恢复光学特性的参数，具有较小数据集的训练相比之前的研究具有相媲美或更好的重建准确性。此外，通过在多个参数上进行训练，如多个平面上的强度分布或出射角度和空间分布，与仅基于采样表面强度分布进行训练相比，我们实现了更好的性能。尽管我们的方法能够进行良好的参数重建，但我们还指出了限制恢复特性精度的因素，尤其是吸收系数。基于这些限制，我们提出了如何进一步增强当前方法以获得更好性能的建议。

Abstract

Estimation of the optical properties of scattering media such as tissue is important in diagnostics as well as in the development of techniques to image deeper. As light penetrates the sample scattering events oc

optical properties scattering media machine learning convolutional neural network parameter reconstruction

发现论文，激发创造

实时缺陷检测数据生成中 X 射线散射效应的量化研究

通过对 X-ray 扫描中 X-ray 散射算法的定量评估，对比了在包含和不包含散射信号的情况下进行训练后，采用深度卷积神经网络（DCNN）进行 defect detection 的准确性。结果表明，不包含散射信号的训练数据对最小可检测缺陷的大小具有最大影响，更高质量的训练数据可以更好地处理高量散射图像的准确检测。

May, 2023

散射变换的缩放：深度混合网络

使用散射网络作为监督式混合深度网络的头几层的一般和固定初始化，结合局部编码可以达到与 CNNs 竞争的最佳结果，还可以在小样本情况下通过几何先验获得更好性能。

Mar, 2017

深度散斑相关：通过散射介质的可扩展成像的深度学习方法

本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法，通过散射介质中捕捉到的雹花强度模式，模型具有抗雹花去相关性的鲁棒性，并能够实现准确物体预测。

Jun, 2018

多散射高反射异性材料的实时渲染方法

提出了一种基于神经网络的实时体积渲染方法，用于逼真高效地渲染体积媒体，通过模拟迭代积分过程来加速体积媒体的渲染速度，并在保持渲染质量的同时实现逼真的效果，实验结果表明该方法优于先前的方法。

Jan, 2024

混合表示学习的散射网络

本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。