龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：山东大学
摘要：一种基于未训练深度解码神经网络的非视域成像方法，将非视域成像物理前向传输模型融入到一个神经网络中去，利用二者的相互作用，网络的权重参数能够自动更新优化，损失函数采用均方差损失，与全变分正则化相结合，进一步对重构图像进行约束。当优化过程结束，网络输出即为非视域成像重构图像。不同于传统的端对端深度学习方案，本发明不需要主动光源照明且无需大量数据训练，节省了数据采集以及网络参数拟合的时间，不仅成本低、装置简单易实现，而且成像清晰、保真度高、鲁棒性强。
主权项：1.一种基于未训练深度解码神经网络的非视域成像方法，其特征是，包括以下步骤：1成像目标场景f显示在一个显示器上，设定显示器的右下角为空间坐标轴x轴和z轴的原点，二次反射界面处对应点为y轴的原点；对成像场景进行标定，测量显示器到墙面的距离D，遮挡物的空间坐标p，相机测量的视场范围及视场右下角空间坐标；2根据朗伯双向反射分布函数BRDF构建非视域成像模型公式，得到测量值I与成像目标场景f的映射关系，将成像模型公式离散化估计得到计算公式I＝Apf+b，其中b为场景中的背景噪声项，至此得到光线传输矩阵Ap的具体表达式，将已知场景参数代入计算得到其具体形式；3基于U-net结构框架构建未训练深度解码神经网络Gw，将网络参数随机初始化，使用MSELoss结合全变分约束作为训练的损失函数L，选取MSELoss与全变分约束之间的比例，设置学习率及训练次数；4根据成像模型公式，将目标场景图像与预先得到的传输矩阵相乘，并设置随机噪声，得到合成的测量光强I；5将测量值I输入到未训练深度解码神经网络Gw中，网络的预期输出为成像场景的估计将其与事先计算得到的光线传输矩阵Ap相乘得到估计的测量光强通过损失函数L计算估计的测量值与真实的测量值I之间的损失值，将其反向传播，更新网络的权重参数，随着优化不断进行，损失函数值不断减小并趋于收敛，训练结束后，该神经网络对目标成像场景进行重建。
全文数据：
权利要求：
百度查询： 山东大学 基于未训练深度解码神经网络的非视域成像方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号