1 中国科学院水利部成都山地灾害与环境研究所，成都 610299
2 中国科学院大学，北京 100049
冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生U-Net模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1）与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F1值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F1值分别提高了5.01%、6.05%、10.73%和5.53%；2）基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如2020年冰湖总体精度为98.16%，与参照数据的重叠度达到96.66%，提取的精度满足冰湖灾害评估和监测预警研究需求，可用于铁路等重大工程沿线冰湖灾害防治的实践。
遥感监测 冰湖灾害 深度学习 自注意力机制 U-Net卷积神经网络 remote sensing monitoring glacial lake disaster deep learning self-attention mechanism U-Net
1 云南师范大学物理与电子信息学院，云南 昆明 650500
2 云南省光电信息技术重点实验室，云南 昆明 650500
构建了一种基于自监督的框架，该框架从单目立体内窥镜视频中提取多视图图像，利用图像中的底层三维（3D）信息构建对象的几何约束，实现软组织结构的准确重建。基于分割任意场景模型对内窥镜下的动态手术器械、静态腹腔场景及可形变软组织结构进行分割解耦。该框架利用简单的神经网络多层感知机来表示动态神经辐射场（NeRF）中运动手术器械和形变软组织结构，基于偏斜熵损失对手术场景中的手术器械、腔体场景和软组织结构进行正确分离。在通过使用单目立体内窥镜捕获机器人手术模拟器场景的数据集上，将所提方法的结果与其他方法进行定量定性比较。结果表明本文方法在处理腹腔体场景、软组织结构重建、手术器械的分割解耦，以及来自多视点的3D信息和运动对象的图像分割等方面显著优于当前的方法。
视觉光学 神经辐射场 软组织三维重建 分割任意场景模型 分割解耦
1 苏州大学光电科学与工程学院，江苏 苏州 215006
2 江苏省先进光学制造技术重点实验室暨教育部现代光学技术重点实验室，江苏 苏州 215006
3 浙江大学信息与电子工程学院，浙江 杭州 310027
自适应温度调控器件以其智能开关特性而逐渐成为研究焦点，但是一方面其特殊的光谱要求使得器件设计过程复杂且周期冗长，另一方面器件热控性能亟待提高以满足更加严苛的应用场景。针对以上问题，提出一种深度生成神经网络模型来执行上述复杂的优化任务，该网络模型的更新不依赖于数据集，而是将生成神经网络与传输矩阵方法（TMM）相结合，通过TMM返回的梯度信息指导产生符合预期的多层膜结构，并自动优化膜层厚度和材料种类。作为网络优化能力的验证和演示，本课题组使用该方法设计了一种基于二氧化钒的自适应热控器件，实现了高温太阳吸收比低于0.2、高温发射率高于0.9、发射率差值大于0.8的优异性能。与传统的优化算法相比，生成神经网络以高自由度和更快的速度寻找最优解，与普通神经网络相比，全局优化网络考虑整体的优化目标，通过全局搜索寻找全局最优解，设计结果也证明了该方法在复杂设计任务中的实用性。
薄膜 多层膜 神经网络 自适应温度调控 二氧化钒
1 重庆邮电大学通信与信息工程学院，重庆 400065
2 重庆邮电大学智能通信与网络安全研究院，重庆 400065
提出了一种渐进式训练方案来重新配置马赫-曾德尔干涉仪（MZI）前馈光学神经网络（ONN）的相移，从而对抗MZI的相位误差和分束器误差，提高识别准确率。为了验证所提方案，利用Neuroptica Python仿真平台搭建了3层MZI-ONN结构，并在考虑到MZI相位误差和分束器误差的情况下，利用Iris和MNIST数据集验证了所提方案的有效性。仿真结果表明：在Iris数据集下，对于3层4×4 MZI-ONN结构，所提方案的识别准确率能够提升64.15百分点；在MNIST数据集下，对于4×4、6×6、8×8和16×16规模的MZI-ONN，所提方案的识别准确率能够提升2.00~37.00百分点。所提方案极大地提高了MZI-ONN的抗误差性能，有助于未来大规模、高准确率MZI-ONN的实现。
光计算 马赫-曾德尔干涉仪 光学神经网络 相位误差 分束器误差 渐进式训练 抗误差
光通信研究
2024, 50(2): 22007501
1 重庆邮电大学 通信与信息工程学院，重庆 400065
2 北京智芯微电子科技有限公司，北京 102200
【目的】电力线载波（PLC）通信系统采用基于帧突发的传输模式，由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性，加之PLC系统没有专用参考信号，传统信道估计对PLC信道没有跟踪预测能力，进而造成PLC系统性能恶化。
【方法】文章针对现有问题，提出了一种基于长短期记忆（LSTM）神经网络和去噪卷积神经网络（DnCNN）的去噪长短期记忆（DnLSTM）神经网络，并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数，之后将其部署到PLC系统中，加载训练完成的参数后再进行在线预测，得到PLC系统信道响应。在电力线系统仿真中，文章采用最小二乘法（LS）、最小均方误差（MMSE）算法以及DnLSTM神经网络进行信道估计，给出在高斯白噪声（AWGN）、组合噪声、色噪声和脉冲噪声条件下的仿真结果，同时调整了用于信道估计的前导符号数量并进行了对应的仿真。
【结果】仿真结果表明，DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关，采用4个前导符号进行信道估计，其估计精度优于LS，接近MMSE算法，并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时，低信噪比（SNR）情况下的PLC系统性能越好，高SNR情况下的PLC系统性能相似。
【结论】通过以上仿真可得出，基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应，可实时跟踪其变化。
电力线载波通信 信道估计 深度学习 长短期记忆神经网络 去噪卷积神经网络 PLC communication channel estimation deep learning LSTM neural network DnCNN 光通信研究
2024, 50(2): 22005801
1 中国地质大学（武汉） 自动化学院，湖北武汉430074
2 复杂系统先进控制与智能自动化湖北省重点实验室，湖北武汉430074
3 地球探测智能化技术教育部工程研究中心，湖北武汉40074
4 中国科学院 微小卫星创新研究院，上海201203
5 上海微小卫星工程中心，上海201203
为解决基于深度学习的立体匹配方法面临着网络规模大、网络结构复杂等问题，提出了一个网络规模较小、精度较高的网络结构。该网络在特征提取模块删减修改了复杂冗余的残差层并引入了空洞卷积金字塔池化模块来扩大视野范围，提取更多有用的上下文信息；在代价计算模块中使用了三维卷积层以成本聚合提升立体匹配的精度；最后，在代价聚合模块引用了双边格网模块以较低分辨率的成本量来获取精度较高的视差图。将该网络在KITTI 2015数据集和Scene Flow数据集等主流数据集上进行实验，结果显示，相较于其他主流优秀网络类如金字塔立体匹配网络（Pyramid Stereo Matching Network ，PSM-Net），网络规模参数量减少了约38%，并取得了较高的实验精度，其中Scene Flow数据集的终点误差（End-point Error，EPE）为0.86，是一个同时兼顾速度与精度的立体匹配网络。
计算机视觉 立体匹配 人工神经网络 视差 computer vision stereo matching artificial neural network parallax
1 西安工业大学 光电工程学院， 陕西西安70032
2 西安交通大学 机械制造系统工程国家重点实验室， 陕西西安710049
为满足点衍射干涉测量对解包算法高精度、高效以及抗干扰的检测需求。提出一种基于空洞空间卷积的相移点衍射干涉图像的相位解包方法，通过将自编码器结构和空洞空间卷积结合获得更高的相位解包精度，实现对包裹相位图像可控的多尺度特征提取。根据点衍射图像特点制作的大量多样化数据集对其进行训练和优化，从而实现准确识别包裹相位所在阶次，最终可以快速处理包裹图像得到高精度的解包结果。利用所提方法对实际点衍射干涉图像进行处理，并与ESDI专业干涉图像处理软件以及其他解包算法处理结果进行比对，结果表明：本文解包结果与软件枝切法解包处理结果均方根误差值为0.022 2 rad，面形拟合结果与软件面形拟合结果峰谷差值仅为0.012 1λ、均方根差值仅为0.004 2λ；时间效率上，完成一幅图像的处理平均仅需0.035 s，而传统方法均大于1 s。与其他方法相比，所提方法在处理包裹相位方面具有快速、高精度的特性，为点衍射干涉图像处理的高精度相位解包提供了新的可行方案。
干涉测量 面形检测 干涉成像 神经网络 相位解包 interferometry surface measurement interference fringe neural networks phase unwrapping
