声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：34-1163/TN
国际刊号：1007-5461
发布日期:
作者：郭虎,陈帅,杨明翰,张子恒,邵慧,汪建业
单位：( 1 安徽大学物质科学与信息技术研究院, 安徽 合肥 230601;2 中国科学院合肥物质科学研究院核能安全技术研究所, 安徽 合肥 230031;3 中国科学技术大学, 安徽 合肥 230026;4 安徽建筑大学, 安徽 合肥 230022 )
关键词：图像处理,中子CT重建,域适应迁移学习,稀疏层析,
基金：安徽省自然科学基金 (2108085QF285), 合肥市自然科学基金 (2021003), 安徽省古建筑智能感知与高维建模国际联合研究中心开放课 题 (GJZZX2021KF04)
由于缺少高质量成对数据集, 深度学习在中子层析 (CT) 重建中的应用与发展受到了严重阻碍。虽然中子层析和光子层析成像原理都基于Radon变换, 但二者在粒子输运过程中的成像特征不同，所以光子层析图像训练的网络无法直接用于解决中子层析成像的重建问题。为此, 本文提出了一种可以解决光子和中子层析成像迁移过程中概率分布差异问题的无监督域适应网络。该方法通过引入最大均值差异计算以减小光子与中子层析图像特征之间的分布差异, 并通过小波变换与卷积神经网络相结合的方式增强重建的有效特征。与其他算法的对比验证表明, 该方法能够从低投影通量下的中子层析结果中重建出高质量的中子层析图像, 有效缓解了低投影通量下中子层析成像退化的问题。
来源：2024年第5期
《量子电子学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。