دانلود ترجمه مقاله شبح نگاری محاسباتی با یادگیری عمیق (ساینس دایرکت – الزویر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۵ صفحه در سال ۲۰۱۸ منتشر شده و ترجمه آن ۹ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۸
تعداد صفحات مقاله انگلیسی	۵ صفحه با فرمت pdf
نوع مقاله	ISI
نوع نگارش	مقاله پژوهشی (Research Article)
نوع ارائه مقاله	ژورنال
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی و مهندسی نرم افزار
چاپ شده در مجله (ژورنال)	ارتباطات اپتیک – Optics Communications
ارائه شده از دانشگاه	دانشگاه چیبا، دانشکده مهندسی، ژاپن
کلمات کلیدی	یادگیری عمیق، شبح نگاری کامپیوتری، شبح نگاری
کلمات کلیدی انگلیسی	Computational ghost imaging, Ghost imaging, Deep learning
نویسندگان	Tomoyoshi Shimobaba, Yutaka Endo, Takashi Nishitsuji, Takayuki Takahashi, Yuki Nagahama, Satoki Hasegawa, Marie Sano, Ryuji Hirayama, Takashi Kakue, Atsushi Shiraki, Tomoyoshi Ito
نمایه (index)	Scopus – Master journals – JCR
شناسه شاپا یا ISSN	ISSN ۰۰۳۰-۴۰۱۸
شناسه دیجیتال – doi	https://doi.org/10.1016/j.optcom.2017.12.041
ایمپکت فاکتور(IF) مجله	۲٫۱۱۵ در سال ۲۰۱۸
شاخص H_index مجله	۱۲۰ در سال ۲۰۱۹
شاخص SJR مجله	۰٫۶۱۵ در سال ۲۰۱۸
شاخص Q یا Quartile (چارک)	Q1 در سال ۲۰۱۸
بیس	نیست ☓
مدل مفهومی	ندارد ☓
پرسشنامه	ندارد ☓
متغیر	ندارد ☓
رفرنس	دارد ✓
کد محصول	۳۵۹
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده

۱٫ مقدمه

۲٫ روش ارائه شده

۲٫۱ شبح نگاری کامپیوتری

۲٫۲ بهبود کیفیت تصویر برداری با استفاده از شبکه عصبی عمیق

۳-نتایج

۴٫ جمع بندی

• بخشی از ترجمه:

چکیده

شبح نگاری کامپیوتری (CGI) یک تکنیک تصویر برداری تک پیکسل می باشد که از همبستگی های بین الگوی های اتفاقی معلوم و شدت اندازه گیری شده ی نور عبور یافته ( یا منعکس شده) توسط یک شی، استفاده می کند. با وجود این که CGI می تواند تصویر های دو یا سه بعدی را با استفاده از یک یا چندین آشکار ساز پیمانه ای ( آشکار ساز های تک پیکسلی با نام آشکار ساز های پیمانه ای نیز شناخته می شوند) به دست بیاورد، در اثر نویز در روند بازسازی تصویر از الگوهای اتفاقی، کیفیت تصویر های بازسازی شده پایین می آید. در این مطالعه، ما کیفیت تصویر برداری های CGI را با استفاده از یادگیری عمیق بهبود می دهیم. یک شبکه ی عصبی عمیق در این مطالعه مورد استفاده قرار گرفته است تا این شبکه بتواند به صورت خودکار ویژگی های تصویر های CGI آلوده به نویز را یاد بگیرد. بعد از تمرین ، این شبکه می تواند تصویر هایی با نویز پایین را از تصویر های CGI آلوده به نویز، پیش بینی کند.

۴٫ جمع بندی در این مطالعه، یک روش با استفاده از DNN را برای بهبود کیفیت تصویر های ایجاد شده با CGI ارائه کردیم و نتایج به دست آمده از شبیه سازی ها با استفاده از DNN یک مجموعه داده متشکل از ۱۵۰۰۰ تصویر را هم نشان دادیم. ما تصاویر بازسازی شده با استفاده از روش پیشنهاد شده را با تصاویر به دست آمده از روش CGI تفاضلی و نویز گیری دو طرفه ، مقایسه کردیم. با تست هشت تصویر که در مجموعه داده ی تمرینی قرار نداشتند، مقدار SSIM میانگین از روش پیشنهاد شده بیش از ۰٫۳ بود در حالی که این مقدار برای روش های تفاضلی CGI و روش دو طرفه، تنها ۰٫۲ بود. در مطالعه ی بعدی، ما ساختار شبکه یDNN را بهبود خواهیم داد تا کیفیت تصویر را باز هم ارتقا بخشیم.

• بخشی از مقاله انگلیسی:

Abstract

Computational ghost imaging (CGI) is a single-pixel imaging technique that exploits the correlation between known random patterns and the measured intensity of light transmitted (or reflected) by an object. Although CGI can obtain two- or three-dimensional images with a single or a few bucket detectors, the quality of the reconstructed images is reduced by noise due to the reconstruction of images from random patterns. In this study, we improve the quality of CGI images using deep learning. A deep neural network is used to automatically learn the features of noise-contaminated CGI images. After training, the network is able to predict low-noise images from new noise-contaminated CGI images.

۴٫ Conclusions

In this study, we have proposed using a DNN to improve the quality of images produced with CGI and have presented results from simulations where a DNN was trained using a dataset of 15,000 images. We compared the images reconstructed by the proposed method with those obtained by differential CGI and bilateral denoising. While testing with eight images that were not included in the training dataset, the average SSIM of the proposed method was over 0.3 compared with only around 0.2 for the differential CGI and bilateral denoising methods. In our next study, we will improve the structure of the DNN to further improve the image quality.