基于迁移学习的通用无透镜散射介质成像
图像与视频处理
2020-01-01 v1 机器学习
机器学习
摘要
近来深度神经网络（DNNs）已成功引入无透镜散射介质成像领域。通过求解计算成像中的逆问题，DNNs可克服传统无透镜散射介质成像方法的若干缺陷，即高成本、低质量、复杂控制与抗干扰差。然而，对于训练，必须收集各数据集上的大量训练样本，且在某一数据集上训练的DNN通常从另一数据集恢复图像时表现不佳。其深层原因在于无透镜散射介质成像是一个高维回归问题，难以获得解析解。本工作提出迁移学习以解决此问题。我们的主要思路是在相对复杂的数据集上用大量训练样本训练DNN，并用其他数据集的极少样本微调最后几层。相较于从头训练所需的数千样本，迁移学习缓解了数据获取昂贵的问题。具体地，考虑数据集间样本量差异与相似性，我们提出两种DNN架构，即LISMU-FCN与LISMU-OCN，以及为平衡平滑与锐利而设计的平衡损失函数。参数少得多的LISMU-FCN可实现跨相似数据集成像，而LISMU-OCN可实现跨显著差异数据集成像。此外，我们建立了一套接近真实实验的仿真算法，对无透镜散射成像研究具重要意义与实用价值。总之，本工作为使用DNNs中迁移学习的无透镜散射介质成像提供了新方案。
引用
@article{arxiv.1912.12419,
title = {Transfer Learning in General Lensless Imaging through Scattering Media},
author = {Yukuan Yang and Lei Deng and Peng Jiao and Yansong Chua and Jing Pei and Cheng Ma and Guoqi Li},
journal= {arXiv preprint arXiv:1912.12419},
year = {2020}
}