和美国莱斯大学研讨人员协作，开发了一种具有优异才能紧缩比和吞吐量的根据单像素光电ations 15, 1456 (2024)。徐怡博教授为论文榜首作者兼通讯作者，谷歌公司陆李阳博士、莱斯大学Sarag

  高光谱视频成像捕获场景的精密空间、光谱和时刻信息，在生物荧光成像、遥感、监控、无人驾驶等范畴中具有广泛使用。高光谱视频数据量极大，现有办法记载高维数据时占用很多传输带宽和存储空间，给无人机手机、行星探测器和卫星等资源受限体系带来非常大压力。如安在保存信息的前提下最大极限削减采样数据量、大幅度的进步采样紧缩比是高光谱视频成像中的关键问题。

  该研讨使用四维高光谱视频的高度可紧缩性，规划一种空间-光谱联合编码方案，提出根据四维空间信号稀少度模型的优化重建和深度学习重建办法，完成了根据单像素探测器、可在低带宽下完成高通量的高光谱视频成像体系。如图1，优化重建办法先从包括互补图画的原始丈量中重建灰度视频并提取光流，然后经过光流辅佐四维全变分正则化优化办法完成高光谱视频重建。

  试验中重建视频空间巨细为128 × 128，具有64个光谱频道，帧率约4帧/秒，紧缩比约为900:1。图2展现从重建的高光谱频帧中均匀选取16帧并转换为人工RGB图画，与五颜六色相机记载的画面比照，可见完成了高精度的重建。

  如图3，深度学习重建办法由两个阶段组成。先根据长短期回忆(LSTM)网络的模型使用5个相邻帧之间的时刻相关性，从“结构化随机”编码丈量中重建灰度视频。再根据残差衔接的卷积神经网络(CNN)的高光谱重建网络，从深度空间-光谱联合紧缩丈量值及榜首阶段的灰度视频中康复高光谱帧。

  如表1所示，比照根据两种办法重建高光谱帧的时刻，可见深度学习办法在重建速度上有明显的提高。

  原文标题：根据单像素光电探测器的高光谱视频成像体系，具有优异才能紧缩比和吞吐量

  文章出处：【微信号：MEMSensor，微信大众号：MEMS】欢迎增加重视！文章转载请注明出处。

  了上海科技大学信息科学与技能学院陈佰乐、虞晶怡团队最新研讨成果：提出了

  （p-graded-n junction photodetector，简称pGn PD）的单

  仪 /

  技能在水泥立窑监测中的使用，以及其对水泥出产企业的重要意义。什么是红外热

  规划 /

  呼应特性剖析 /

  用于检测光线的传感器，其使用场景规模非常遍及。下面将介绍一些首要的使用约束规模：1.通讯与网络

  作业原理和使用范畴 /

  ？ /

  被广泛地使用于光纤通讯范畴，因为其特有的长处，国外已使用于空间遥感范畴.本文扼要介绍了InGaAs/InP的物理特性、PIN

  件，特别是近红外/短波红外区域，相较于可见光有更强的穿透才能，相较于中波红外能够以较低的损耗辨认冷布景的物体，因而大规模的使用于民用和军事范畴。

  开展 /

  包括了阳极、活性层及阴极三个部分，夹在两电极之间的活性层由单一的N型或P型有

  的原理 /

  的各项功能。单行载流子（uni-traveling carrier，UTC）

  的各项功能研讨 /

  想问个单总线通讯方法，便是双向一线通，模组跟外设通讯，RX跟TX接到外设的同一根线 阅览