ترجمه مقاله شبح نگاری کامپیوتری با استفاده از یادگیری عمیق - نشریه الزویر

قیمت خرید این محصول

۱۱۶,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

شبح نگاری کامپیوتری با استفاده از یادگیری عمیق

عنوان انگلیسی

Computational ghost imaging using deep learning

صفحات مقاله فارسی

9

صفحات مقاله انگلیسی

5

سال انتشار

2018

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد ✓

کد محصول

359

وضعیت ترجمه عناوین تصاویر

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت عدد درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

رشته های مرتبط با این مقاله

مهندسی کامپیوتر

گرایش های مرتبط با این مقاله

هوش مصنوعی و مهندسی نرم افزار

مجله

ارتباطات اپتیک - Optics Communications

دانشگاه

دانشگاه چیبا، دانشکده مهندسی، ژاپن

کلمات کلیدی

شبح نگاری کامپیوتری، شبح نگاری ، یادگیری عمیق

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.optcom.2017.12.041

۰.۰ (هنوز امتیازی ثبت نشده است)

فهرست مطالب

چکیده
1. مقدمه
2. روش ارائه شده
2.1 شبح نگاری کامپیوتری
2.2 بهبود کیفیت تصویر برداری با استفاده از شبکه عصبی عمیق
3-نتایج
4. جمع بندی

نمونه چکیده متن اصلی انگلیسی

Abstract

Computational ghost imaging (CGI) is a single-pixel imaging technique that exploits the correlation between known random patterns and the measured intensity of light transmitted (or reflected) by an object. Although CGI can obtain two- or three-dimensional images with a single or a few bucket detectors, the quality of the reconstructed images is reduced by noise due to the reconstruction of images from random patterns. In this study, we improve the quality of CGI images using deep learning. A deep neural network is used to automatically learn the features of noise-contaminated CGI images. After training, the network is able to predict low-noise images from new noise-contaminated CGI images.

نمونه چکیده ترجمه متن فارسی

چکیده
شبح نگاری کامپیوتری (CGI) یک تکنیک تصویر برداری تک پیکسل می باشد که از همبستگی های بین الگوی های اتفاقی معلوم و شدت اندازه گیری شده ی نور عبور یافته ( یا منعکس شده) توسط یک شی، استفاده می کند. با وجود این که CGI می تواند تصویر های دو یا سه بعدی را با استفاده از یک یا چندین آشکار ساز پیمانه ای ( آشکار ساز های تک پیکسلی با نام آشکار ساز های پیمانه ای نیز شناخته می شوند) به دست بیاورد، در اثر نویز در روند بازسازی تصویر از الگوهای اتفاقی، کیفیت تصویر های بازسازی شده پایین می آید. در این مطالعه، ما کیفیت تصویر برداری های CGI را با استفاده از یادگیری عمیق بهبود می دهیم. یک شبکه ی عصبی عمیق در این مطالعه مورد استفاده قرار گرفته است تا این شبکه بتواند به صورت خودکار ویژگی های تصویر های CGI آلوده به نویز را یاد بگیرد. بعد از تمرین ، این شبکه می تواند تصویر هایی با نویز پایین را از تصویر های CGI آلوده به نویز، پیش بینی کند.