概括
本研究引入了一种图像细分技术,以显著减少训练全息数据存储 (HDS) 深度学习 (DL) 模型所需的数据. 这种方法使得基于DL的阶段检索在HDS应用中变得更加实用.
科学领域:
- 光学是什么?光学是什么?
- 数据存储数据存储数据存储
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 为相调节全息数据存储 (HDS) 提供了高效的阶段检索.
- 对于HDS的传统DL培训需要大量的样本数据,这阻碍了实际应用.
- 目前在HDS中基于DL的阶段检索方法是数据密集型的.
研究的目的:
- 开发一种更有效的训练方法,用于基于DL的HDS阶段检索.
- 为了减少HDS中DL网络所需的培训样本的数量.
- 为了提高DL的实用性,用于全息数据存储.
主要方法:
- 提出了一种利用图像特征的图像细分方法.
- 该方法显著减少了DL网络培训所需的原始样本对 (OSP) 的数量.
- 该方法旨在在HDS系统中轻松实现.
主要成果:
- 拟议的图像细分方法在训练样本对中大约减少了54倍.
- 这种实质性的减少使得基于DL的阶段检索在HDS中变得更加可行.
- 该方法保持了DL的效率,用于从衍射强度图像中检索相位信息.
结论:
- 开发的图像细分技术有效地减少了HDS中DL的训练数据需求.
- 这一进步简化并加快了在全息数据存储中采用DL进行相位检索的速度.
- 该方法为克服基于DL的HDS的数据限制提供了一个实际的解决方案.
