基于深度学习的Lissajous稀疏扫描信号无重建直接目标识别

《Scientific Reports》：Rapid reconstruction-free classification from Lissajous sparse sampling using deep learning

　　

摘要

诸如Lissajous扫描等非线性激光扫描技术为传统的栅格扫描提供了一种机械效率更高的替代方案，但通常在进行自动化分析之前，需要进行计算成本高昂的图像重建。这一重建步骤抵消了稀疏扫描的许多速度和效率优势，并成为实时成像系统的瓶颈。在此，我们证明可以直接从一维Lissajous强度测量值中进行准确的目标识别，而无需重建中间图像。在我们的概念验证工作中，优化后的Lissajous扫描轨迹被用于对MNIST手写数字进行稀疏采样，生成包含50、100、200或500个测量值的一维信号表示。这些信号使用一维卷积神经网络（1D-CNN）、长短期记忆网络（LSTM）和K近邻算法（KNN）进行分类，并与使用预训练和重新训练卷积神经网络的传统基于重建的图像分类流程进行比较。所提出的1D-CNN仅使用500个采样测量值就实现了98.60%的分类准确率，并在0.68秒内对10,000张测试图像完成分类。基于重建的图像分类器达到了略高的峰值准确率（99.34%），但需要超过150秒来重建并分类相同的数据集。在所有评估的模型中，直接信号域分类将端到端计算成本降低了两个数量级以上，同时保持相当或略有降低的分类性能。这些发现表明，图像重建并非从稀疏采样的Lissajous测量值中进行准确目标识别的先决条件，并确立了无重建深度学习作为智能激光扫描系统的有效框架。所提出的方法在LiDAR、光学相干层析成像、内窥镜成像、图像引导手术以及其他需要快速推理和降低计算开销的计算成像系统中具有潜在应用价值。