Py学习  »  机器学习算法

Nature顶刊发布!深度学习破解衍射极限的颠覆性革命,科学界的革命性飞跃!

逐光光学 • 2 月前 • 46 次点击  
深度学习光学成像结合了深度学习与光学成像技术,旨在通过数据驱动的方法提升成像质量、速度和自动化水平。传统光学成像面临分辨率限制、噪声干扰、复杂环境下的信号衰减以及数据处理效率低等挑战。深度学习凭借其自动特征提取、强大的非线性建模能力和高效数据处理优势,为这些挑战提供了解决方案。该技术在生物医学成像、计算成像、遥感与天文成像以及工业检测等领域展现出广泛应用前景。

深度学习光学成像的应用

显微成像

具体应用

生物医学成像:用于细胞、组织、器官的高分辨率成像,如荧光显微镜、共聚焦显微镜等。

活体成像:实时观察活体样本的动态过程,如细胞分裂、神经活动等。

病理学分析:自动识别和分类病理切片中的病变区域。

优势

提升分辨率:通过超分辨率技术突破光学衍射极限。

去噪与增强:在低光条件下获得高质量图像。

自动化分析:自动识别细胞、组织等目标,减少人工干预。

三维重建:从二维图像重建三维结构,提供更全面的样本信息。

2. 单像素成像

具体应用

低光成像:在极低光条件下(如天文观测)获取高质量图像。

压缩感知成像:减少数据采集量,适用于资源受限的场景。

非可见光成像:用于太赫兹成像、红外成像等非可见光波段。

优势

降低硬件成本:仅需单个探测器,简化硬件设计。

高效数据采集:通过压缩感知减少数据量,加快成像速度。

适应复杂环境:在散射介质或低光条件下仍能获得清晰图像。

3. 散射成像

具体应用

生物组织成像:用于穿透皮肤、肌肉等散射介质,观察深层组织。

水下成像:用于海洋探测、水下目标识别。

雾霾穿透:在雾、烟等散射环境中实现清晰成像。

优势

穿透散射介质:在强散射条件下恢复被散射的光信号。

非侵入式检测:减少对样本的干扰和损伤。

适应复杂环境:在雾、烟、生物组织等散射介质中仍能获得高质量图像。

4. 高光谱成像

具体应用

农业监测:用于作物健康监测、病虫害检测、土壤分析。

环境监测:用于大气、水体、土壤的污染物检测。

医学诊断:用于组织分析和疾病诊断,如癌症早期检测。

遥感:用于地球观测、资源勘探、灾害监测。

优势

高维数据处理:有效处理和分析高光谱数据的高维度特性。

物质识别:精确识别不同物质的化学成分和物理特性。

多光谱融合:结合不同光谱波段信息,提供更丰富的光谱特征。

5. 超分辨成像

具体应用

生物医学成像:用于观察亚细胞结构,如蛋白质、DNA等。

材料科学:用于纳米材料的结构分析和表征。

天文观测:提升天文图像的分辨率,观察遥远星体的细节。

优势

突破衍射极限:通过算法提升分辨率,超越传统光学系统的物理限制。

提升图像细节:恢复微小结构和细节,提供更清晰的图像。

减少硬件依赖:通过算法实现超分辨率,降低对昂贵硬件的需求。

深度学习光学成像通过结合深度学习与光学成像技术,解决了传统成像中的诸多难题,并在科学研究、医学诊断、工业检测、环境监测等领域的广泛应用,为相关领域带来了革命性的进步。未来,随着算法优化、硬件加速、多模态融合和实时应用的推进,深度学习光学成像有望进一步推动成像科学的发展。


图片
讲师简介


四位行业大佬进行6天授课!带您系统全面学习深度学习光学成像技术  



1.主讲老师: 来自华中科技大学,已发表人工智能领域顶会顶刊多篇,主要擅长,深度学习显微成像,大语言模型等相关研究,团队在ICML,NeurIPS等人工智能顶会发表多篇论文 
 2.主讲老师:来自哈尔滨工业大学,一年内个人发表SCI论文多篇,主要擅长计算光学成像,深度学习单像素成像,团队在Light: science & applications, Laser & photonics reviews, Photonics research等发表过多篇文章             
   3.主讲老师:来自于香港理工大学,近五年发表 JCR SCI 1区论文15篇,主要擅长计算散射成像,光学波前整形技术,主要论文在Nature communications, Advanced Science、Innovation、Advanced Photonics、Photonics Research等刊登。 
  4.主讲老师:来自美国亚利桑那大学,一年内个人发表JCR SCI 1区论文多篇,主要擅长计算光学成像,深度学习图像处理,团队在Nature, Science, Nature photonics, Nature communications, light 等发表过多篇文章
深度学习光学成像线上直播课表

01
第一天:光学成像基础


第一节:绪论

1.什么是光学成像?

2.光学成像进展

第二节:光学成像重要属性

1.物距、焦距、空间带宽乘积

2.分辨率、视场、景深

3.球差、慧差、场曲、畸变、色差、像差

4.点扩散函数、调制传递函数

第三节:成像质量评价指标

1.全参考评价

2.半参考评价

3.无参考评价

第四节:光学成像发展趋势

1.功能拓展 (相位、三维、非视距、穿云透雾、遥感)

2.性能改善(视场大小、分辨率、成像速度)

3.系统优化(小型化、廉价化、高效制造


02
第二天:深度学习基础


第一节:深度学习相关基础知识,

1.了解python和pytorch的关系和联系

2.两大主流框架tensorflow和pytorch的介绍

3.了解深度学习工具,cuda和cudnn等

image.png

第二节:学习深度学习的代码环境

1.学习编译器pycharm的使用

2.了解python环境知识

3.使用anaconda配置虚拟环境并在pycharm中导入。

image.png

第三节:自己通过anaconda搭建环境

1.学习pip库的使用,使用pip下载库、卸载库以及更新库

2.搭建独立的环境,通过anaconda对每个环境进行管理,养成良好的编程习惯

第四节:理论知识部分

1.了解监督神经网络的基本原理

2.学习梯度下降算法和反向传播的思路。

image.png

第五节:卷积神经网络的基础讲解

1.让学员通过实例了解卷积的基础原理

2.如何通过卷积提取图片的特征(介绍minst手写数字的经典案例)



03
第三天:基于深度学习在显微成像中的应用与实践


第一节  卷积神经网络在显微成像中的应用(理论奠基)

1.卷积神经网络(CNN)架构重温

2.傅立叶频域知识介绍

3.超分辨率重建技术: 傅立叶域注意力卷积神经网络 (DFCAN, Deep Fourier Channel Attention Network)

第二节 对抗生成网络显微成像AI应用(方法进阶)

1. 生成对抗网络(GAN)原理剖析

2. 图像去噪与增强:傅立叶域注意力生成对抗网络(DFGAN, Deep Fourier Generative Adversarial Network)

3. 前沿论文讨论(Nature Methods最新成果)

第三节 论文复现准备(工具准备)

1.论文实验结果分析讨论

2.实验数据集获取与开源代码预处理

3.安装论文相关深度学习训练依赖环境

第四节 论文复现实战(综合实践)

1. 代码整体框架介绍 

2. DFCAN/DFGAN模块代码精读

3. 模型训练技巧

image.png

04
第四天:基于深度学习在单像素成像中的应用与实践


第一节:单像素成像基础

1.何为单像素成像

2.解析单像素成像模型

3.典型投影掩膜调制方式

image.png


第二节:单像素成像重建算法

1.理解关联重建算法

2.了解压缩感知理论及其应用

image.png

第三节:深度学习重建方法

1.了解数据驱动单像素成像

2.了解物理驱动单像素成像

3.了解混合驱动单像素成像

image.png

第四节:深度学习单像素成像实战

1.准备和制作数据集

2.搭建与训练网络模型

3.数据可视化与结果评价

4.如何保存模型

不同参数会对网络测试和训练影响

image.png


05
第五天:基于深度学习的散射成像与高光谱成像中的应用与实践


第一章 基于深度学习的散射成像理论与实践

第一节:散射成像的技术概况

1.散射成像的应用场景

2.传输矩阵模型以及光学散斑的仿真

第二节:基于深度学习的散射成像

1.了解典型模型

第三节:利用仿真数据实现散射成像

1.自制数据集

2.复数神经网络

3.损失函数、优化约束以及调参

第二章 基于深度学习的高光谱成像理论与实践

第一节:高光谱成像基础概况

1.高光谱成像的原理与发展历程

2.高光谱图像的光谱维度与空间维度

第二节:基于深度学习的高光谱成像方法

1.深度学习如何处理高光谱成像中的空间与光谱信息

2.深度学习方法在高光谱图像分类与目标检测中的应用

第三节:高光谱成像模型的实践与实现

1.常用的高光谱数据集:Pavia, Salinas, Indian Pines等

2.从零开始实现一个高光谱图像分类模型

3.调整超参数:学习率、批大小等对模型性能的影响

image.png

image.png

图片

06
第6天:基于深度学习的超分辨率成像中的应用与实践


第一节: 超分网络实战

一:讲解超分辨率神经网络

1.何为对偶监督网络

2.网络的结构是怎样的

二:引入DRN超分网络

3.了解drn对偶超分网络的论文大概

4.准备和制作数据集,参数的介绍

5.了解对偶监督网络的核心创新点

三:如何从零开开始复现一个网络

4.学习阅读代码中的readme文档

5.了解代码执行的核心思想

6.介绍如何通过终端执行命令

第二节:完整复现超分网络

一:环境准备

1.使用anaconda搭建drn网络的专属环境

2.激活环境,在pycharm中导入环境

3.如何根据报错解决环境问题

二:代码测试实战

1.介绍DRN网络中各文件夹的作用

2.如何通过DRN自带的pt文件进行测试

3.介绍option中不同参数会对网络测试和训练影响

三:代码训练实战

1.了解DF2K数据集的基本内容

2.如何训练一个网络

3.制作属于自己的数据集进行训练


image.png

image.png
image.png
授课时间



深度学习光学成像

2025.06.21-2025.06.22     (09:00-11:30--13:30-17:00)

2025.06.28-2025.06.29     (09:00-11:30--13:30-17:00)

2025.07.05-2025.07.06     (09:00-11:  30--13:30-17:00)


腾讯会议直播       线上实操




课程费用



每人收费¥4980元 (含报名费、培训费、资料费)

优惠福利:

福利一:现在报名立即赠送往期深度学习光学成像基础课程回放

福利二:提前报名缴费学员可得300元优惠(仅限前15名)

报名费用可开具正规报销发票及提供相关缴费证明、邀请函,可提前开具报销发票、文件用于报销






培训特色及福利



1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿

2、学习模式--理论知识与上机操作相结合,让零基础学员快速熟练掌握 

3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答

授课方式:通过腾讯会议线上直播,理论+实操的授课模式,老师手把手带着操作,从零基础开始讲解,电子PPT和教程开课前一周提前发送给学员,所有培训使用软件都会发送给学员,有什么疑问采取开麦共享屏幕和微信群解疑,学员和老师交流、学员与学员交流,培训完毕后老师长期解疑,培训群不解散,往期培训学员对于培训质量和授课方式一致评价极高!

学员对于培训给予高度评价

图片





图片
图片


联系人:赵老师

报名电话:15638270801

 ( 微信同号)


引用往期参会学员的一句话: 


发现真的是脚踏实地的同时  需要偶尔仰望星空非常感谢各位对我们培训的认可!  祝愿各位心想事成!



Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/181905
 
46 次点击