文献：Yang-2020-Deep-learning projector for optical diffraction tomography
1、文章的目的：区别于传统的最小化目标函数正则化执行先验约束，采用在梯度下降算法中训练卷积神经网络（CNN）基于正则化作为投影仪。
2、背景：
经典的传统方法及缺点： Rytov 近似
在弱散射条件下有效，但对于具有高 RI 对比度、大半径或复杂结构的样品精度较低。
基于学习的重建方法：训练卷积神经网络 (CNN)以将通常通过经典方法获得的初重建映射到最终所需的结果。
3、修改传统的迭代算法，使网络扮演正则化器的角色
4、网络架构：探索了基于 PGD 的迭代方案，设计了一个基于 U-Net 架构的 CNN。该设置包括输入和输出之间的外部跳过连接，以便网络充当残差网络。此外，每次网络深度增加时，我们将编码器中的通道数量（左路径）加倍（从 32 开始，。我们也更换了( 3 * 3 )上转换层 ( 2 * 2 )转置卷积层，并在最后一个卷积层之后添加一个 Leakly 整流线性单元。
5、实验的步骤： 在第一阶段，我们仅使用输入数据集。
在第二阶段，我们连接数据集并使用整合了两部分的总损失训练 CNN。
在第三阶段，整个数据集被输入到优化中。
6、实验的结果评估：某些情况下直接 CNN 和 ScaDec 都无法恢复对象。此方法导致重建具有更准确的形状和 RI 值，因为它结合了一个反馈机制，确保与测量的一致性。此外，它的性能略好于 RytovTV，减轻锥体缺失问题
标签：总结,基于,卷积,网络,正则,CNN,文献,RI 来源： https://www.cnblogs.com/lijiacheng/p/15547580.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。