概括
这项研究引入了三阶段的深度学习方法,用于阶段解封,通过解决无声化,包装计数预测和错误补偿,在噪音条件下显著提高准确性.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 深度学习方法在阶段解封中普遍存在,但与噪音作斗争,导致不准确.
- 包装相位数据中的高噪音水平阻碍了准确的包装数预测和相位计算.
研究的目的:
- 开发一种强大的阶段解封方法,能够抵御高噪音水平.
- 在具有挑战性的,杂的环境中提高测量准确性.
主要方法:
- 一种三阶段的多任务学习方法:封装阶段的无声化,带有剩余补偿的封装计数预测和未封装阶段的错误补偿.
- 整合了一种基于卷积的多尺度空间注意模块,以减轻空间不一致的噪音.
- 培训策略分为三个不同的阶段,以逐步完善阶段检索.
主要成果:
- 与TIE,UNet和DeepLabV3+等传统和深度学习技术相比,拟议的方法显示出更高的噪声稳定性.
- 即使在显著的噪音干扰下,也能达到高相位检索精度.
- 多尺度空间注意模块有效地减少了噪音干扰.
结论:
- 三阶段的多任务阶段解封方法为在噪音条件下准确的阶段检索提供了显著的进步.
- 该方法为需要高精度相位测量的应用提供了强大的解决方案.
- 该方法在噪声耐受性和准确性方面优于现有技术.
