(49-3) 17 * << * >> * Русский * English * Содержание * Все выпуски

Классификация объектов с помощью однопиксельной визуализации и нейронных сетей
А.А. Реутов 1, Д.В. Бабухин 1, Д.В. Сыч 1

1 Физический институт им. П. Н. Лебедева Российской академии наук,
119991, ГСП-1, Москва, Ленинский проспект, д.53

  PDF, 13 MB

DOI: 10.18287/2412-6179-CO-1538

Страницы: 517-524.

Аннотация:
Однопиксельная визуализация – это перспективный метод получения изображений без использования многопиксельных матриц. В отличие от стандартной фотографии, искомое изображение здесь не регистрируется напрямую матричным сенсором, а вычисляется. В последнее время для решения этой задачи начали применяться методы машинного обучения. В данной работе мы показываем возможности применения сверточных нейронных сетей в однопиксельной визуализации для классификации объектов по существенно неполному набору измерений. Мы находим зависимость точности классификации от различных параметров сэмплирования объекта. Предложенные методы могут использоваться в реальных устройствах в качестве эффективного программного обеспечения.

Ключевые слова:
однопиксельная визуализация, классификация объектов без восстановления изображений, свёрточные сети.

Благодарности
Исследование выполнено за счет гранта Российского научного фонда № 23-22-00381, https://rscf.ru/project/23-22-00381/.

Цитирование:
Реутов, А.А. Классификация объектов с помощью однопиксельной визуализации и нейронных сетей / А.А. Реутов, Д.В. Бабухин, Д.В. Сыч // Компьютерная оптика. – 2025. – Т. 49, № 3. – С. 517-524. – DOI: 10.18287/2412-6179-CO-1538.

Citation:
Reutov AA, Babukhin DV, Sych DV. Object classification using a single-pixel camera and neural networks. Computer Optics 2025; 49(3): 517-524. DOI: 10.18287/2412-6179-CO-1538.

References:
  1. Duarte MF, Davenport MA, Takhar D, Laska JN, Sun T, Kelly KF, Baraniuk RG. Single-pixel imaging via compressive sampling. IEEE Signal Process Mag 2008; 25(2): 83-91. DOI: 10.1109/MSP.2007.914730.
  2. Gibson GM, Johnson SD, Padget MJ. Single-pixel imaging 12 years on: a review. Opt Express 2020; 28(19): 28190-28208. DOI: 10.1364/OE.403195.
  3. Shcherbatenko M, Elezov M, Manova N, Sedykh K, Korneev A, Korneeva Yu, Dryazgov M, Simonov N, Feimov A, Goltsman G, Sych D. Single-pixel camera with a large-area microstrip superconducting single photon detector on a multimode fiber. Appl Phys Lett 2021; 118(18): 181103. DOI: 10.1063/5.0046049.
  4. Aguilar RA, Hermosa N, Soriano MN. Low-cost Fourier ghost imaging using a light-dependent resistor. Am J Phys 2019; 87(12): 976-981. DOI: 10.1119/10.0000163.
  5. Edgar MP, Gibson GM, Bowman RW, Sun B, Radwell N, Mitchell KJ, Welsh SS, Padgett MJ. Simultaneous real-time visible and infrared video with single-pixel detectors. Sci Rep 2015; 5(1): 10669. DOI: 10.1038/srep10669.
  6. Higham CF, Murray-Smith R, Padgett MJ, Edgar MP. Deep learning for real-time single-pixel video. Sci Rep 2018; 8(1): 2369. DOI: 10.1038/s41598-018-20521-y.
  7. Zhang Y, Edgar MP, Sun B, Radwell N, Gibson GM, Padgett MJ. 3D single-pixel video. J Opt 2016; 18(3): 035203. DOI: 10.1088/2040-8978/18/3/035203.
  8. Zhang Z, Li X, Zheng S, Yao M, Zheng G, Zhong J. Image-free classification of fast-moving objects using “learned” structured illumination and single-pixel detection. Opt Express 2020; 28(9): 13269-13278. DOI: 10.1364/OE.392370.
  9. Mur AL, Leclerc P, Peyrin F, Ducros N. Single-pixel image reconstruction from experimental data using neural networks. Opt Express 2021; 29(11): 17097-17110. DOI: 10.1364/OE.424228.
  10. Xie S, Peng L, Bian L. Large-scale single-pixel imaging via deep learning. Proc SPIE 2023; 12317: 1231703. DOI: 10.1117/12.2643014.
  11. Kingma DP, Ba J. Adam: A method for stochastic optimization. arXiv Preprint. 2017. Source: <https://arxiv.org/abs/1412.6980>. DOI: 10.48550/arXiv.1412.6980.
  12. Sych DV. Optimization of compressed sampling in single-pixel imaging. Bull Lebedev Phys Inst 2024; 51: 202-205. DOI: 10.3103/S1068335624600463.
  13. Sych D. Influence of detector noise on compressed sampling single-pixel imaging. J Russ Laser Res 2024; 45(3): 286-294. DOI: 10.1007/s10946-024-10213-6.
  14. Baldominos A, Saez Y, Isasi P. A survey of handwritten character recognition with mnist and emnist. Appl Sci 2019; 9(15): 3169. DOI: 10.3390/app9153169.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20