2017年光电所科创计划项目简介.PDF

2017 年光电所科创计划项目简介 题目1：新型室内可见光定位系统理论及实验研究 基于移动设备摄像头的室内可见光定位系统主要的问题一方面是移 动设备摄像头分辨率较差，即接收机接收信号的能力较差，获取的信 息信噪比较低，解码成功率较低；另一方面是移动设备摄像头的拍摄 在帧与帧之间存在间隔，即接收机的接收是不连续的，信息传递效率 较低，难以传递较长的地址信息。 针对信息信噪比较低的问题，从图像处理的角度，通过滤波，局部对 比等方法提高解码成功率；针对传输地址信息长度较低的问题，技术 上采用独特的编码方案，利用摄像头拍摄的多帧图片实现较长信息的 传递。 题目2：新型激光雷达测距方法研究 首先，无人驾驶是当前的热门话题，车载激光雷达可以为无人驾驶技 术提供关键的室外定位、障碍物距离计算等支持，是实现无人驾驶的 关键组件。 除此之外，驾驶安全对于行车来说至关重要，车载激光雷达可以为无 人驾驶或辅助驾驶提供障碍物的位置信息，配合外围算法，实现提前 避险，提高行车的安全性。 在未来，车辆联网的实现也需要车辆的位置信息和状态信息， 激光 雷达可以提供推算障碍物距离的功能，与标志性物体的相对位置从而 解算出车辆的位置信息，配合外部模块，实现车辆的无人驾驶，只需 与服务器连接，就可以为将来的车联网提供车辆的位置信息和状态信 息。 本项目通过多线激光器发射经过调制的特定需求的激光，经过障碍物 表面的反射，在接收端接收到反射的激光后，进行光电转换，滤波， 信号放大等操作，并且实现提升信噪比的工作。再通过I/Q 正交鉴相 的方法，与初始信号进行比对得到相位变化，从而计算出障碍物离激 光器的距离。 技术上，本项目希望，不是从传统的检测反射波峰值的角度判断收到 回波并解算距离，而是从通信工程的角度，通过发射连续光波，使用 编码等方式提高接收信号的信噪比，从而实现在更加复杂和恶劣的天 气条件下仍能检波的要求。或者在相同的环境条件下，使得激光雷达 能达到更高的精度和更广的探测范围。 题目3：面向多模态数据的深度学习模型研究 现实生活中的信息传递常常包含多种模式，这让我们更容易理解其中 的信息。比如有标签的图像更容易让人理解，文字配上图片更能清晰 地表达内容等。多模态学习是一种能够集成多种模态 （如图像、文字 等信息）的学习方式，多模态学习模型也可以从已有信息中推测本来 缺失的信息。我们做的这个项目希望能从文本和图像两方面来理解语 义信息，主要能实现：给出文本和图像信息之后，像做阅读理解一样， 能根据图像信息和文本信息推理出一些问题的答案。深度学习模型的 可解释性也是近年来比较引人关注的一个课题，由于参数过于庞大， 对于模型每层提取的语义信息的理解相对来说较为困难。利用多模态 做可解释性学习，我们希望能通过可解释性学习模型从图像和文字中 一起研究出单从图像无法解释出来的图像内容（时间，地点，人物， 心情等）。这和之前的单独的图像分类、目标检测不同，我们希望的 是完成基于多模态数据的可解释性学习。我们希望能够将多模态学习 和模型的可解释性结合起来，了解是哪些设计限制了模型准确率的提 高，也希望了解各个神经元代表了给定信息中的哪些特征。 题目4：深度神经网络的可解释性学习研究 深度神经网络近年来飞速发展，被应用于多种智能系统，如自动驾驶 汽车、医学图像分析、金融业分析等。但是，深度神经网络对于研究 者来说是一个“黑箱”模型，因为它参数数量巨大、内部结构复杂。 研究者无法透彻地理解其运行的机理，不能直观地看到深度神经网络 的训练结果，也无法预知其作出决策的程，或者在其预测错误时进行 修正。 为了解决这些问题，我们提出了“可解释性学习”的概念。基于深度 神经网络的可解释性学习主要希望提高深度网络的可解释性，使得研 究者可以直观地看到其训练的结果、做出预测的理由，或可以很容易 地参与到深度神经网络的训练过程中，进一步提高深度神经网络的性 能。 题目5：无标记三维光学血流运动造影技术及生物医学应用 结合无标记三维光学血流运动造影技术的相关理论知识，用相应的算 法区分出所给样本中的静态组织和运动的血流。并结合对应的数学物 理知识，构建并优化相应的数学模型，使得在保证图像清晰度的同时 增大静态组织和运动血流图像的对比度。该技术可以为诸多与血流灌 注相关的疾病的诊断和治疗提供有力的手段。 题目6：通过随机介质的光学成像及图像重建技术 通过随机介质的光学成像及图像重建技术具有很高研究价值和广泛 的应用范围。可用于生物组织的无伤探测，雾霾天气中的远目标成像 以及天文探测上透过层流湍流的星体观测等领域。 题目7：视频信息的深度