1 通感融合光子技术教育部重点实验室，广东省信息光子技术重点实验室，广东工业大学信息工程学院，先进光子技术研究院，广东 广州 510006
2 南方海洋科学与工程广东省实验室（珠海），广东 珠海 519082
3 光场调控与信息感知工业和信息化部重点实验室，陕西省信息光子技术重点实验室，西北工业大学物理科学与技术学院，陕西 西安 710129
提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法，选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架，并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上，基于无锚框的思想构建预测网络，以提升跟踪器的灵活性和通用性，同时提出一种模板动态更新的策略，通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明，所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。
机器视觉 计算机视觉 目标跟踪 孪生网络 模板更新
1 广东工业大学信息工程学院先进光子技术研究院广东省信息光子技术重点实验室，广东 广州 510006
2 新加坡南洋理工大学计算机科学与工程学院，新加坡 639798
由于计算机断层扫描（CT）成像技术对物体内部结构具有出色的可视化能力，其在临床医学诊断中获得广泛应用。但是X射线辐射会对人体造成伤害，通常采用降低扫描强度或者减少扫描角度数量的方式降低患者受到的X射线辐射剂量，然而在欠采样投影数据条件下重建的低剂量CT图像会有严重的条状伪影和噪声。近年来，深度学习技术快速发展，同时卷积神经网络在图像表示与特征提取等方面展现出巨大优势，应用在稀疏或者有限角度下的CT重建任务中可以实现快速和高质量的重建。因此面向稀疏或者有限角度条件下的CT重建技术，综述了深度学习技术在图像域后处理、正弦域预处理、双域数据联合处理、迭代重建算法和端到端映射重建5个方面的国内外最新研究进展，对当前基于深度学习的稀疏或者有限角度CT重建方法的技术特点及其局限性进行分析，并展望了未来可能的研究方向。
CT重建 深度学习 稀疏角度 有限角度 神经网络 激光与光电子学进展
2023, 60(8): 0811002
1 广东工业大学信息工程学院, 先进光子技术研究院, 广东 广州 510006
2 广东省信息光子技术重点实验室, 广东 广州 510006
近年来, 图像采集设备的高速发展极大地丰富了图像种类和数量。图像配准技术作为图像分析和处理的关键, 在图像融合、模式识别和计算机视觉等领域作用日益重要, 如何实现高精度、实时配准已成为该领域的研究重点。与此同时, 深度学习技术发展迅速, 卷积神经网络在图像表示、特征提取等方面显示出独特优势。本文系统综述了基于深度学习技术实现图像配准的相关研究进展, 深入讨论了基于深度迭代配准、全监督图像配准、弱/双重监督图像配准、无监督图像配准等典型的深度学习的图像配准方法, 总结了相关领域研究人员所面临的共同挑战, 并指出了未来可能的研究方向。
图像处理 图像配准 深度学习 卷积神经网络 image processing image registration deep learning convolutional neural network
光子学报
2022, 51(11): 1101001
1 光场调控与信息感知工业和信息化部重点实验室, 西北工业大学, 陕西 西安 710129
2 陕西省光信息技术重点实验室, 西北工业大学物理科学与技术学院, 陕西 西安 710129
近年来,深度学习技术的爆发式发展引领了机器学习的又一次浪潮。深度神经网络具备抽象特征的高效识别与提取能力、强大的非线性拟合能力、抗干扰鲁棒性及非凡的泛化能力,被广泛应用于自动驾驶、目标识别、机器翻译、语音识别等领域。最近几年,卷积神经网络(CNN)在光学信息处理中获得广泛应用,本文介绍CNN的基础概念和结构构成,回顾其在数字全息术、条纹分析、相位解包裹、鬼成像、傅里叶叠层成像、超分辨显微成像、散射介质成像、光学层析成像等领域的最新应用进展,评述CNN在光学信息处理中的典型应用特点,最后分析CNN应用于光学信息处理中的不足,并展望其未来发展。
激光与光电子学进展
2021, 58(16): 1600001
柯宝生 1,2,3李颖 1,2,3任振波 1,2,3邸江磊 1,2,3,*赵建林 1,2,3,**
1 西北工业大学物理科学与技术学院, 陕西 西安 710129
2 陕西省光信息技术重点实验室, 陕西 西安 710129
3 超常条件材料物理与化学教育部重点实验室, 陕西 西安 710129
活体细胞有丝分裂过程的发生具有时间和空间上的随机性,自动识别并准确定位活体细胞的有丝分裂对科研人员而言充满挑战。提出一种基于深度学习的自动识别并定位活体细胞有丝分裂的检测方法。通过改进YOLOv3主干网络并引入注意力机制,构建名为DetectNet的深度神经网络。在明场显微成像条件下,获取多尺寸活体细胞图像并构建数据集对网络进行训练,并对DetectNet与多个目标检测算法进行对比,验证其有效性。实验结果表明,针对活体细胞的明场显微图像,DetectNet能够高效地从不同尺寸大视场图像中直接识别并定位有丝分裂细胞,同时具有较高的检测精度和较快的检测速度,因而在生物和医学领域具有非常大的潜在应用价值。
成像系统 活体细胞 有丝分裂 深度学习 目标检测算法 明场显微成像 光学学报
2021, 41(15): 1511001
Author Affiliations
Abstract
1 MOE Key Laboratory of Material Physics and Chemistry under Extraordinary Conditions, and Shaanxi Key Laboratory of Optical Information Technology, School of Physical Science and Technology, Northwestern Polytechnical University, Xi’an 710129, China
2 School of Life Sciences, Northwestern Polytechnical University, Xi’an 710072, China
We present a deep learning approach for living cells mitosis classification based on label-free quantitative phase imaging with transport of intensity equation methods. In the approach, we applied a pretrained deep convolutional neural network using transfer learning for binary classification of mitosis and non-mitosis. As a validation, we demonstrated the performances of the network trained by phase images and intensity images, respectively. The convolutional neural network trained by phase images achieved an average accuracy of 98.9% on the validation data, which outperforms the average accuracy 89.6% obtained by the network trained by intensity images. We believe that the quantitative phase microscopy in combination with deep learning enables researchers to predict the mitotic status of living cells noninvasively and efficiently.
cell classification quantitative phase imaging deep learning Chinese Optics Letters
2021, 19(5): 051701
1 西北工业大学物理科学与技术学院, 陕西 西安 710129
2 陕西省光信息技术重点实验室, 陕西 西安 710129
3 超常条件材料物理与化学教育部重点实验室, 陕西 西安 710129
4 中国工程物理研究院流体物理研究所, 四川 绵阳 621900
光学合成孔径成像系统中光学传递函数的频率响应下降,会不可避免地导致成像模糊,因此通常需要借助维纳滤波或盲解卷积算法来实现图像复原,最终获得清晰的高分辨率图像。提出一种基于U型卷积神经网络的深度学习框架,通过MATLAB软件构建数据集,以对网络进行训练,并将所训练的U型网络与盲解卷积算法的图像复原效果进行对比。数值仿真结果表明,在弱噪声条件下,U型网络在基于光学合成孔径成像系统的图像复原中展现出较强的复原能力以及一定的泛化能力和通用性,能够实现图像的快速盲复原,因而具有潜在的应用前景。
成像系统 光学传递函数 深度学习 卷积神经网络 光学合成孔径成像系统 光学学报
2020, 40(21): 2111001
戴思清 1,2,3豆嘉真 1,2,3张继巍 1,2,3邸江磊 1,2,3,*赵建林 1,2,3,**
1 西北工业大学物理科学与技术学院, 陕西 西安 710129
2 陕西省光信息技术重点实验室, 陕西 西安 710072
3 超常条件材料物理与化学教育部重点实验室, 陕西 西安 710072
近场是指局域在物体表面附近亚波长范围内的空间区域。倏逝波存在于近场区域,可利用其与物质的相互作用特性对位于近场区域的某些介质样品进行高分辨率成像,及对样品物性变化进行高灵敏度测量,其中,基于全内反射和表面等离子体共振的近场成像与测量方法已在许多领域获得广泛应用。将数字全息术与这类近场测量方法相结合,可进一步有效解决自近场区域反射光波的相位分布的高精度全场动态测量问题。重点介绍基于全内反射数字全息术和表面等离子体共振全息显微术的近场成像方法与测量应用研究进展。
成像系统 表面等离子体共振 全内反射 数字全息术 近场测量
西北工业大学理学院，教育部空间应用物理与化学重点实验室，陕西省光信息技术重点实验室， 陕西 西安 710072
提出了一种利用数字全息显微术测量液体透镜表面曲率半径及焦距参数的实验方法。针对液体透镜表面不能接触、直径较小、侧壁材料非透明等因素，采用具有像差校正功能的立式马赫-曾德尔干涉仪光路实验记录液体透镜液面的数字全息图，数值再现得到携带液面信息的物光波前相位分布信息，并经数值计算和拟合得到液面轮廓曲线，最终得出液面曲率半径以及液体透镜的焦距等参数,进而利用该方法对标准平凹透镜的曲率半径和焦距等参数进行了测量，以验证其正确性。结果表明，所提出的方法是一种高精度、非接触测量液体透镜液面曲率及焦距参数的有效手段。
全息 数字全息显微术 液体透镜 曲率半径 焦距 中国激光
2014, 41(11): 1109001
