فایل ورد کامل شبح نگاری محاسباتی با یادگیری عمیق

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل شبح نگاری محاسباتی با یادگیری عمیق،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۲ صفحه

چکیده

شبح نگاری کامپیوتری (CGI) یک تکنیک تصویر برداری تک پیکسل می باشد که از همبستگی های بین الگوی های اتفاقی معلوم و شدت اندازه گیری شده ی نور عبور یافته ( یا منعکس شده) توسط یک شی، استفاده می کند. با وجود این که CGI می تواند تصویر های دو یا سه بعدی را با استفاده از یک یا چندین آشکار ساز پیمانه ای ( آشکار ساز های تک پیکسلی با نام آشکار ساز های پیمانه ای نیز شناخته می شوند) به دست بیاورد، در اثر نویز در روند بازسازی تصویر از الگوهای اتفاقی، کیفیت تصویر های بازسازی شده پایین می آید. در این مطالعه، ما کیفیت تصویر برداری های CGI را با استفاده از یادگیری عمیق بهبود می دهیم. یک شبکه ی عصبی عمیق در این مطالعه مورد استفاده قرار گرفته است تا این شبکه بتواند به صورت خودکار ویژگی های تصویر های CGI آلوده به نویز را یاد بگیرد. بعد از تمرین ، این شبکه می تواند تصویر هایی با نویز پایین را از تصویر های CGI آلوده به نویز، پیش بینی کند.

جمع بندی در این مطالعه، یک روش با استفاده از DNN را برای بهبود کیفیت تصویر های ایجاد شده با CGI ارائه کردیم و نتایج به دست آمده از شبیه سازی ها با استفاده از DNN یک مجموعه داده متشکل از تصویر را هم نشان دادیم. ما تصاویر بازسازی شده با استفاده از روش پیشنهاد شده را با تصاویر به دست آمده از روش CGI تفاضلی و نویز گیری دو طرفه ، مقایسه کردیم. با تست هشت تصویر که در مجموعه داده ی تمرینی قرار نداشتند، مقدار SSIM میانگین از روش پیشنهاد شده بیش از بود در حالی که این مقدار برای روش های تفاضلی CGI و روش دو طرفه، تنها بود. در مطالعه ی بعدی، ما ساختار شبکه یDNN را بهبود خواهیم داد تا کیفیت تصویر را باز هم ارتقا بخشیم.

عنوان انگلیسی:Computational ghost imaging using deep learning~~en~~

Abstract

Computational ghost imaging (CGI) is a single-pixel imaging technique that exploits the correlation between known random patterns and the measured intensity of light transmitted (or reflected) by an object. Although CGI can obtain two- or three-dimensional images with a single or a few bucket detectors, the quality of the reconstructed images is reduced by noise due to the reconstruction of images from random patterns. In this study, we improve the quality of CGI images using deep learning. A deep neural network is used to automatically learn the features of noise-contaminated CGI images. After training, the network is able to predict low-noise images from new noise-contaminated CGI images.

Conclusions

In this study, we have proposed using a DNN to improve the quality of images produced with CGI and have presented results from simulations where a DNN was trained using a dataset of 15,000 images. We compared the images reconstructed by the proposed method with those obtained by differential CGI and bilateral denoising. While testing with eight images that were not included in the training dataset, the average SSIM of the proposed method was over 0.3 compared with only around 0.2 for the differential CGI and bilateral denoising methods. In our next study, we will improve the structure of the DNN to further improve the image quality.

$$en!!