Dyb læring muliggør realtidsbillede rundt om hjørner

Forskere har udnyttet kraften i en type kunstig intelligens, kendt som dyb læring, for at skabe et nyt laserbaseret system, der kan billede rundt om hjørner i realtid. Med videre udvikling, systemet kan lade selvkørende biler "se" sig omkring parkerede biler eller travle kryds for at se farer eller fodgængere. Det kan også installeres på satellitter og rumfartøjer til opgaver såsom at tage billeder inde i en hule på en asteroide.

"Sammenlignet med andre tilgange, vores billedsystem uden synsfelt giver unikke høje opløsninger og billedhastigheder, "sagde forskerteamleder Christopher A. Metzler fra Stanford University og Rice University." Disse attributter muliggør applikationer, der ellers ikke ville være mulige, såsom at læse nummerpladen på en skjult bil, mens den kører eller læse et mærke, der bæres af en person, der går på den anden side af et hjørne. "

I Optica , The Optical Society's journal for high-impact research, Metzler og kolleger fra Princeton University, Southern Methodist University, og Rice University rapporterer, at det nye system kan skelne submillimeter detaljer om et skjult objekt fra 1 meter væk. Systemet er designet til at forestille små objekter i meget høje opløsninger, men kan kombineres med andre billeddannelsessystemer, der producerer rekonstruktioner i rumstørrelse med lav opløsning.

"Billeddannelse uden synsfelt har vigtige anvendelser inden for medicinsk billeddannelse, navigation, robotik og forsvar, "sagde medforfatter Felix Heide fra Princeton University." Vores arbejde tager et skridt mod at muliggøre dets anvendelse i en række forskellige applikationer. "

Løsning af et optisk problem med dyb læring

Det nye billeddannelsessystem anvender en kommercielt tilgængelig kamerasensor og en kraftfuld, men ellers standard, laserkilde, der ligner den, der findes i en laserpeger. Laserstrålen hopper ud af en synlig væg på den skjulte genstand og derefter tilbage på væggen, at skabe et interferensmønster kendt som et speckelmønster, der koder formen for det skjulte objekt.

Rekonstruktion af det skjulte objekt fra plettet mønster kræver løsning af et udfordrende beregningsproblem. Korte eksponeringstider er nødvendige for realtidsbilleddannelse, men producerer for meget støj til, at eksisterende algoritmer fungerer. For at løse dette problem, forskerne vendte sig til dyb læring.

"Sammenlignet med andre metoder til billeddannelse uden for synsfeltet, vores deep learning -algoritme er langt mere robust over for støj og kan dermed fungere med meget kortere eksponeringstider, "sagde medforfatter Prasanna Rangarajan fra Southern Methodist University." Ved præcist at karakterisere støjen, vi var i stand til at syntetisere data for at træne algoritmen til at løse genopbygningsproblemet ved hjælp af dyb læring uden at skulle indsamle dyre eksperimentelle træningsdata. "

At se rundt om hjørner

Forskerne testede den nye teknik ved at rekonstruere billeder af 1 centimeter høje bogstaver og tal gemt bag et hjørne ved hjælp af en billeddannelse omkring 1 meter fra væggen. Ved hjælp af en eksponeringslængde på et kvart sekund, fremgangsmåden frembragte rekonstruktioner med en opløsning på 300 mikron.

Forskningen er en del af DARPA's Revolutionary Enhancement of Visibility by Exploiting Active Light-fields (REVEAL) program, som udvikler en række forskellige teknikker til billedvisning af skjulte objekter rundt om hjørner. Forskerne arbejder nu på at gøre systemet praktisk til flere applikationer ved at udvide synsfeltet, så det kan rekonstruere større objekter.