＜基于深度学习的条纹图分析及其不确定性估计＞-论文总结
<基于深度学习的条纹图分析及其不确定性估计>-论文总结
00摘要：
深度学习在光学计量领域受到越来越多的关注，并在解决各种光学计量任务（如条纹分析和相位展开）方面展现出巨大潜力。然而，深度神经网络并不总能产生可验证正确的解，除非有真实值可用，否则难以检测和评估预测误差。这个问题在光学计量中尤为关键，因为在高风险场景下测量的可靠性与重复性至关重要。本文中，据我们所知，**首次证明了贝叶斯卷积神经网络(BNN)不仅可以从单幅条纹图中恢复相位，还能生成描绘估计相位逐像素置信度的不确定性图。**实验结果表明，所提出的BNN能够在不同训练数据集规模和从未见过的输入条件下量化相位预测的可靠性。我们的工作有助于在深度学习解决方案中做出更优决策，为可靠且实用的学习型光学计量开辟了新途径。
01引言
由于大多数DNN完全由数据驱动，其推理过程与传统物理模型大相径庭。实际上，当训练数据不足或测试数据罕见时，DNN的输出可能并不可靠。计算机视觉中的一个近期例子显示了一个灾难性的预测：图像分类网络错误地将两名非裔美国人识别为大猩猩，引发了种族歧视的担忧[5]。因此，如何信任DNN的预测仍然是一个重大挑战。
对于单幅条纹图分析任务而言，预测相位的不确定性估计至关重要，因为仅凭一幅图像从公式(1)中恢复相位是一个病态问题。受近期贝叶斯深度学习方法成功应用的启发[6]，据我们所知，**首次证明了贝叶斯卷积神经网络(BNN)不仅可以从单幅条纹图中解调相位，还能评估预测的两种不确定性：数据不确定性和模型不确定性。**数据不确定性也称为偶然性不确定性，可用于量化由于噪声和数据缺陷导致的预测随机性；模型不确定性也可称为认知不确定性，用于反映模型的鲁棒性和不确定性。所提出的BNN易于构建，并可方便地扩展到传统DNN。在条纹投影轮廓术上的实验结果表明，BNN预测的不确定性图能够在缺乏标准参考数据的情况下忠实地指示实际误差分布。
02方法
神经网络
BNN遵循U-Net架构。在训练阶段，每层的dropout率不是固定的，而是可由BNN自动学习。
输入：条纹图（1张）
输出：分子、分母及其方差图
标签：并通过12 步PS算法生成真实标签。
为获得相位的数据/模型不确定性，我们首先使用式(9)和式(8)计算分子和分母的数据/模型不确定性，然后应用不确定性传播：
03实验
系统由一台投影仪（DLP 4100，Texas Instruments）和一台相机（V611，Vision Research Phantom）组成。投影仪向测试物体投射预设的条纹图案，相机从不同视角同步采集8位灰度图像。投影条纹的空间频率为f = 160。为收集训练数据，我们采集了多种物体的条纹图像，并通过12 步PS算法生成真实标签。
04结论
本文中，我们提出了一种基于BNN的条纹图分析框架，该框架不仅能从单幅条纹图像中解调出相位信息，还能输出像素级的不确定性图，以描述神经网络对其预测结果的置信度。BNN采用MC Concrete dropout近似方法构建。该 策 略 易 于 实 现， 并 可 通 过 简 单 添 加 额 外 的Concrete dropout层扩展到其他现有神经网络。为验证所提方法，我们分别测试了BNN在训练数据集大小变化、罕见测试输入以及OOD数据条件下的性能。
实验结果表明，预测的不确定性图能够在不使用任何真实值数据的情况下成功指示实际相位误差的分布。未来，将基于估计的不确定性图谱将进一步研究。我们认为，能够提供估计相位置信度的深度神经网络对于条纹图样分析至关重要，并且在启发新型、可靠的基于学习的光学测量方法方面具有巨大潜力。
参考文献：Deep-learning-based fringe-pattern analysis with uncertainty estimation
声明：作者水平有限，如有错误，务必留言指正，共同学习进步！（如有帮助，不妨点赞评论）。