深度学习光学设计专题
深度学习在光学设计领域的应用为光子学结构的创新提供了新的机遇和挑战。未来,随着深度学习技术的不断发展和完善,相信它将在光学设计领域发挥更加重要的作用。
第四天 第六章 基于马赫-增德尔干涉仪的光计算 第一节 光计算及光神经网络的简介 1.1 光计算的背景介绍 1.2 光神经网络的发展与分类 1.3 光神经网络的研究现状 第二节 基于 MZI 的光神经网络原理 2.1 全连接神经网络原理讲解 2.2 MZI 级联的相干光矩阵计算原理 2.3 N 阶酉矩阵分解 2.4 基于 MZI 拓扑级联的酉矩阵通用架构 第三节 训练数据集的获取与处理(Python 实操) 3.1 Python 程序环境安装 3.2 Pycharm 主要功能介绍 3.3 数据集的获取方法 3.4 训练数据集的前期处理 第四节 酉矩阵通用架构的搭建(Python 实操) 4.1 二阶酉矩阵的搭建 4.2 clement 架构的搭建 第五节 光神经网络的模型运行(Python 实操) 第五天 第七章 全光衍射神经网络 第一节 标量衍射理论基础 1.1 惠更斯-菲涅耳原理 1.2 瑞利-索莫菲衍射公式 1.3 衍射角谱理论 1.4 离散傅里叶变换 第六节 光学衍射神经网络(Python 实操) 2.1 人工神经网络结构 2.2 光学衍射神经网络结构 2.3 光学衍射神经网络实现手写数字识别 2.4 光学衍射神经网络的应用 第八章 超材料反向设计实例 第一节 基于神经网络方法实现全介质超表面的设计(COMSOL 实操) 1.1 超表面元的模拟 1.2 超表面元的参数提取 1.3 训练数据集的搭建 1.4 预测模型的训练 第二节 CNN 和 RNN 的组合寻找等离子体结构的光学特性(COMSOL 实操) 第三节 DELAY 强化学习算法实现激光器的自动锁模控制 深度学习计算光学成像专题 第一天: 第一章: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) 第二章:典型计算成像 第一节:计算机断层扫描(CT)成像 1.基本原理(X射线投影与探测) 2.基于深度学习的计算重建 3.技术进展与应用 第二节:压缩感知成像 1.稀疏表示与测量 2.典型重建算法与优化 3.压缩感知成像计算重建 4.应用与发展趋势 第三节:编码孔径成像 1.编码孔径设计原理 2.成像系统特性与优势 3.基于深度学习的图像重建 4.典型应用概述 第四节:非视距成像 1.成像场景概述 2.光传播模型与测量 3.成像重建算法 4.技术挑战与未来发展 第五节:无透镜成像 1.成像系统 2.光传播模型建模 3.基于深度学习的计算重建 4.技术挑战及发展 第三章:实操软件介绍及运行(实践) 第一节:Python环境的搭建 1.了解anaconda的安装 2.运行环境创建及激活 |
1.行业新闻、市场分析。 2.新品新技术(最新研发出来的产品技术介绍,包括产品性能参数、作用、应用领域及图片); 3.解决方案/专业论文(针对问题及需求,提出一个解决问题的执行方案); 4.技术文章、白皮书,光学软件运用技术(光电行业内技术文档);
如果想要将你的内容出现在这里,欢迎联系我们,投稿邮箱:service@opticsky.cn
-
bairuizheng:个人想学费用不低啊(07-21)