主讲人：鄢秋荣 博士
地点：科技园阳楼北623
开始时间：2022-06-15 14:30:00
报告人简介：鄢秋荣，博士，副教授，硕士生导师，江西省杰出青年人才项目获得者。主要从事光子计数无线光通信、光子计数单像素成像、光子雷达成像、深度学习、FPGA与嵌入式系统设计等方面的教学与科研工作。主持国家自然基金项目4项，江西省杰出青年人才项目1项，中国博士后基金特别资助项目1项，中国博士后基金一等资助项目1项，其他省级及横向项目10余项。第一作者或通信作者发表SCI/EI论文40余篇，其中JCR一区SCI期刊论文8篇，授权发明专利16项，获批软件著作权1项。参与制定行业标准1项。参与组织国内外学术会议5次，担任CCPQT国际会议workshop 主席，做特邀报告10余次。Optics Express, Optics Letters, Sensors等高水平国际期刊审稿人。
指导学生参加学科竞赛，获国家级奖11项，其中指导本科生参加“DIGIGENT全程可编程创新创业竞赛” 获中国赛区特等奖，代表中国前往新加坡进行展示。指导研究生参加“第十二届中国研究生电子设计竞赛全国总决赛”获全国一等奖，获教育部产学研ARM大学计划教学特别贡献奖，全国优秀指导教师4次。
报告内容简介：光子计数单像素成像是单像素成像和单光子计数技术的结合，具有低成本和超高灵敏度的优势。但长时间的采样和重建时间长，限制了其在高分辨率和实时场景中的应用。基于深度学习的压缩感知重建算法，可将测量值直接映射到重建图像，避免了传统重建迭代算法巨大计算量，能够实现快速和高质量的重建。在深度压缩重建网络的基础上，本文针对光子计数单像素成像系统，提出了采样和重建集成神经网络设计，将二值化的全连接层作为网络的第一层, 通过修改网络的前向和后向传播，并将其训练成二进制的测量矩阵,以便直接加载到数字微镜阵列上以实现高效压缩采样，通过采样和重建子网络的联合优化，实现了高性能的重建。为了有效去除块伪影，提出亚像素卷积层采样子网和基于传统Inception网络的改进深度重建网设计（HRSC-Net），重建性能进一步提升。为了避免交替训练引起的缓慢收敛，提出一种采样联合优化的基于生成模型的压缩重建网络（OGTM），从自动编码器转移采样和生成子网络的初始权重。搭建了光子计数单像素成像系统，结果表明重建效果优于现有的压缩感知恢复算法。
