Optimización de un sistema de codificación óptico-computacional mediante regularización estadística basado en un método de aprendizaje profundo
No Thumbnail Available
Date
2024-02-16
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La codificación óptica es una técnica esencial en la imagen computacional (IC) que permite la detección de señales de alta dimensión a través de proyecciones codificadas post-procesadas para decodificar la señal subyacente. En la actualidad, los elementos de codificación óptica (OCE) se optimizan de extremo a extremo (E2E), donde un conjunto de capas (codificador) de una red neuronal profunda modela el OCE mientras que el resto de la red (decodificador) realiza una tarea computacional determinada. Aunque el rendimiento de entrenamiento de toda la red es aceptable, la capa del codificador óptico pueden ser defectuosas, dando lugar a diseños de OCE deficientes. Este rendimiento defectuoso en el codificador se debe a factores como que la función de pérdida de la red no considera las capas intermedias por separado, ya que se desconoce la salida en esas capas. En segundo lugar, el codificador sufre la desaparición del gradiente, ya que el codificador se define en las primeras capas. En tercer lugar, la estimación adecuada del gradiente en estas capas está restringida a satisfacer limitaciones físicas. En este trabajo, proponemos una optimización de extremo a extremo regularizado la salida intermedia de la red, en la que se utiliza un conjunto de funciones de regularización para superar la optimización defectuosa del codificador óptico. De hecho, nuestra regularización no requiere conocimientos adicionales del codificador y puede aplicarse a la mayoría de los instrumentos de detección óptica en imagen computacional. En consecuencia, la regularización explota algunos conocimientos previos sobre la tarea computacional, las propiedades estadísticas de la salida del codificador (medidades codificadas) y del sistema de adqusición. En concreto, propusimos tres tipos de regularizadores: El primero se basa en las divergencias estadísticas de las medidas comprimidas, el segundo depende sólo de la varianza de las medidas, y el último es un regularizador estructural que promueve el bajo rango y escacez del conjunto de medidas. Hemos validado el procedimiento de entrenamiento propuesto en dos sistemas de imagen computacional representativos, la cámara de píxel único (SPC) y el sistema de única cáptura de imágenes espectrales con aperturas codificadas (CASSI), mostrando una mejora significativa con respecto a los diseños no regularizados. Además, la regularización propuesta se empleó para tareas de visión por computador de alto nivel en modelos generativos mostrando su eficacia también en esta nueva aplicación.
Description
Keywords
Imágenes computacionales, Optimización de extremo a extremo, Problemas inversos, Optimización regularizada