研究目的
提出一种利用深度全卷积神经网络(称为PhaseNet)进行相位解缠的新框架,通过语义分割将直接获取连续原始相位的问题重新定义为获取每个像素的缠绕次数。
研究成果
提出的PhaseNet框架有效应用深度卷积神经网络进行相位解缠,展现出对噪声的鲁棒性和计算效率优势。该框架将问题重构为语义分割任务,利用绝对相位与缠绕数之间的关系生成训练数据。相比传统方法,该框架在抗噪能力和计算时间上表现更优,为基于深度学习的相位解缠新方法开辟了道路。
研究不足
PhaseNet是通过组合高斯函数生成的随机变化形状进行训练的,这可能限制了其对训练数据中未包含的非常特定或不规则模式的适应能力。
1:实验设计与方法选择:
所提出的框架采用深度全卷积神经网络(PhaseNet)进行相位解缠,将其重新表述为语义分割问题。
2:样本选择与数据来源:
通过以随机变化的均值和方差值对高斯函数进行算术运算生成训练数据,并添加高斯噪声以贴近实际应用。
3:实验设备与材料清单:
使用配备11GB显存的NVIDIA GTX 1080-Ti GPU进行训练。
4:实验流程与操作步骤:
PhaseNet架构包含编码器网络、对应的解码器网络以及像素级分类层。训练过程采用交叉熵损失函数和Adam优化器。
5:数据分析方法:
通过与质量引导相位解缠算法及MATLAB的unwrap函数进行对比,在不同噪声水平下使用均方误差(MSE)和处理时间评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容