器學習技術背景：深度學習是發(fā)展最快的機器學習方法之一许帐，它利用在計算機中實現(xiàn)的多層人工神經(jīng)網(wǎng)絡對數(shù)據(jù)的表示和抽象進行數(shù)字化學習劳坑，并執(zhí)行高級任務，與人類專家的表現(xiàn)相當甚至優(yōu)于人類專家成畦。深度學習的最新應用進展主要包括醫(yī)學圖像分析距芬、語音識別、語言翻譯羡鸥、圖像分類等蔑穴。除了這些主流應用之外忠寻，深度學習方法也被用于解決逆成像問題惧浴。當前不足：當前的深度學習框架主要是在計算機中訓練及執(zhí)行的，而受限于摩爾定律接近其物理極限奕剃，硅基計算機的性能增長已經(jīng)逐漸達到不可持續(xù)的水平衷旅，急需新一代的計算模式捐腿。文章創(chuàng)新點：基于此，美國加州大學洛杉磯分校(UCLA)Aydogan Ozcan組的Xing Lin和Yair Rivenso ...
能推理技術背景：當今需要理解的視覺數(shù)據(jù)量不斷增加柿顶，迫使計算系統(tǒng)的計算能力持續(xù)攀升茄袖。在一系列應用中，如自動駕駛嘁锯、機器視覺宪祥、智能家居、遙感家乘、顯微鏡蝗羊、安防監(jiān)控、國防和物聯(lián)網(wǎng)等仁锯，計算成像系統(tǒng)需要記錄和處理前所未有的大量數(shù)據(jù)耀找。這些數(shù)據(jù)不是給人類看的，而是由人工智能 (AI) 算法來解釋业崖。在這些應用中野芒，深度神經(jīng)網(wǎng)絡(DNN)以其無與倫比的性能迅速成為視覺數(shù)據(jù)處理的標準算法。這主要得益于現(xiàn)代GPU的強大并行計算能力以及海量的數(shù)據(jù)集使得DNN能夠使用監(jiān)督學習的策略有效訓練双炕。然而狞悲，運行越來越復雜的神經(jīng)網(wǎng)絡的高端GPU以及其它的加速器，對功率和帶寬的需求是驚人的妇斤，且需要大量的計算時間和龐大的體積效诅。這些限制使得DN ...
率成像技術背景：超越衍射極限分辨率的光學成像技術推動了細胞內(nèi)研究和單分子水平化學反應研究的發(fā)展。超分辨率受激發(fā)射損耗顯微鏡可以實現(xiàn)具有超高時空精度的三維成像趟济。對于單分子檢測和定位技術乱投，如隨機光學重建顯微鏡或光激活(photo-actived)定位顯微鏡,可光開關探針(photo-switchable probes)的位置定義為衍射極限點的中心位置。多次重復成像過程顷编，每一次對不同的隨機激活熒光團成像戚炫，可以實現(xiàn)納米級的重建分辨率。然而媳纬，對樣品透明性的要求双肤，使得這些超分辨顯微鏡技術不可能用于被強散射介質(zhì)(如生物組織、磨砂玻璃钮惠、粗糙墻角等)掩埋的物體茅糜。這些介質(zhì)對光的吸收不強烈，但是擾亂了光路素挽，產(chǎn)生像噪 ...
析成像技術背景：透明生物樣品的光學顯微鏡成像可以大體分為無標記和有標記這兩類蔑赘。兩者都致力于產(chǎn)生一種對比度機制，以實現(xiàn)所用波長照明下透明樣品結(jié)構(gòu)的可視化∷跞基于標記的成像依賴于染色劑和各種造影劑在某些感興趣的結(jié)構(gòu)處產(chǎn)生熒光耙箍。無標記成像是非侵入性的，以特異性為代價簡化了樣品制備酥馍，并避免了造影劑的任何可能的毒副作用辩昆。定量相位成像是無標記成像的一種，它依賴樣品和周圍介質(zhì)的相位差(表現(xiàn)為折射率差)對透明結(jié)構(gòu)成像旨袒。數(shù)字全息就是這樣一種常用的無標記手段汁针，樣品的數(shù)字全息圖可以在焦平面外采集，然后在后處理中通過數(shù)值求解模擬波前傳播過程的衍射積分進行數(shù)字聚焦砚尽。數(shù)字全息已在生物學扇丛、診斷學和醫(yī)學、微流控和片上實驗室成像 ...
經(jīng)網(wǎng)絡技術背景：與人工智能的許多歷史發(fā)展一樣尉辑，深度神經(jīng)網(wǎng)絡(DNN)得以廣泛采用的部分原因在于協(xié)同硬件帆精。2012年，Krizhevsky等人表明反向傳播算法可以使用GPU有效地執(zhí)行隧魄，以訓練大型DNN進行圖像分類卓练。自2012年以來，DNN模型的計算需求迅速增長购啄，甚至超過了摩爾定律〗笃螅現(xiàn)在DNN越來越受到硬件能效的限制。新興的DNN能量問題激發(fā)了專用硬件:DNN加速器狮含。其中大部分是基于硬件物理和DNN中的數(shù)學運算之間的直接數(shù)學同構(gòu)顽悼。一些加速器方案使用傳統(tǒng)電子設備之外的物理系統(tǒng)，如光學和模擬電子交叉陣列等几迄。大多數(shù)設備都針對深度學習的推理階段(現(xiàn)在也有越來越多的設備針對訓練階段)蔚龙，這占商業(yè)部署中深度學習 ...
印方法技術背景：在雙光子吸收過程中，光場會在基態(tài)和量子系統(tǒng)(例如分子)的相關激發(fā)態(tài)之間產(chǎn)生一個狀態(tài)映胁。這種誘導狀態(tài)木羹，通常被稱為虛擬態(tài)(在量子光學中也稱為修飾狀態(tài))。這種狀態(tài)確實存在解孙，但前提是光場開啟坑填。使用激光脈沖時，虛擬狀態(tài)壽命由脈沖持續(xù)時間決定弛姜。直觀上脐瑰，第一個光子誘導電子從基態(tài)躍遷到虛擬態(tài)，第二個光子誘導躍遷到激發(fā)態(tài)廷臼。雙光子吸收過程在多光子光學顯微鏡和多光子光學光刻中至關重要苍在，這兩種應用都已商業(yè)化多年绝页。多光子光學光刻已成為制造從納米級到微米級的三維(3D)結(jié)構(gòu)的成熟方法。在3D光學光刻(也稱為直接激光寫入或 3D 激光納米打印)中忌穿，雙光子吸收導致光引發(fā)劑躍遷率的縮放，因此曝光劑量與光強度的平方 ...
學記錄技術背景：在體內(nèi)以細胞級空間分辨率和毫秒級時間分辨率對三維大腦回路中的神經(jīng)元活動進行光學記錄對于探測大腦中的信息流至關重要结啼。通常使用多光子顯微鏡對神經(jīng)元活動進行大規(guī)模體內(nèi)成像掠剑，以破譯動物行為過程中分布式大腦回路中的神經(jīng)編碼和處理。然而郊愧，傳統(tǒng)掃描顯微鏡很難應對在毫秒時間尺度上運行的神經(jīng)元回路的三維結(jié)構(gòu)(因為體積和毫秒采集難以協(xié)調(diào))朴译。體積多平面成像僅限于低采樣率和低軸向采樣密度，因為體素采集最終受到激光脈沖率的限制属铁∶呤伲空間激發(fā)多路復用改進了三維采樣，但廣泛的多路復用通過背景熒光的積累降低了信噪比(SNR)焦蘑，并加劇了大腦發(fā)熱盯拱。雖然隨機存取多光子顯微鏡允許在三個維度上快速光學訪問神經(jīng)元目標，但該方 ...
的未來寫作背景：全息術的先驅(qū)例嘱，Gabor狡逢、Leith、Upatnieks和Denisyuk很早就預測了三維顯示的終ji技術是全息拼卵。這個信念的基礎是：全息是可以渲染(render)所有能被人類視覺系統(tǒng)解釋的光學線索(cue)的僅有途徑奢浑。全息三維顯示已經(jīng)被人們追逐許多年了，其依然面臨所有方面的挑戰(zhàn)：計算腋腮、傳輸和渲染雀彼。用數(shù)字來描述，如6.6x10^15浮點運算計算要求即寡，3x10^15b/s數(shù)據(jù)率徊哑，1.6x10^12phase pixels，任務相當艱巨聪富。根據(jù)以往的經(jīng)驗推算实柠，如果以以往的速度發(fā)展，需要到2100年方可實現(xiàn)真正的全息顯示善涨。圖1窒盐、全息階梯：各種電信設備推出年份和近似比特率幅度圖美國亞利桑那 ...
度光學技術背景：高動態(tài)范圍(High dynamic range,HDR)成像是使用廣泛的計算攝影(computational photography)技術之一。它具有許多的應用钢拧，如基于圖像的照明(image-based lighting)蟹漓、HDR顯示、圖像處理等源内。然而葡粒，相機圖像傳感器的動態(tài)范圍從根本上受限于其像素的滿阱容量份殿。當產(chǎn)生的光電子數(shù)量超過滿阱容量時(通常是在對具有高對比度的場景進行成像時)，強度信息會因飽和而不可逆轉(zhuǎn)地丟失嗽交。不斷縮小的像素尺寸卿嘲，例如在手機應用中，會加劇這個問題夫壁，因為滿阱容量與像素尺寸成正比拾枣。目前已經(jīng)開發(fā)了幾種不同的策略來克服可用圖像傳感器的有限動態(tài)范圍。一類技術使用固 ...
AR圖像的背景環(huán)境圖像盒让。傳統(tǒng)的AR/VR設備基于雙目視覺顯示或光場顯示梅肤，兩者都可能存在聚散調(diào)節(jié)沖突(vergence-accommodation conflicts)，導致用戶頭暈或疲勞邑茄。全息顯示器提供3D視覺感知姨蝴，而不會在觀看者中產(chǎn)生會聚聚焦沖突(convergence-focusing conflict)，從而減輕這些負面的用戶體驗肺缕。在工業(yè)/企業(yè)應用之外采用AR的速度很慢左医，部分原因是上述物理影響。消費者對智能眼鏡和AR設備的廣泛采用之所以興趣低迷同木，其另一個原因是長時間佩戴頭戴式設備 (HMD)的不適感炒辉，以及對笨重或不吸引人的智能眼鏡設計風格的擔憂。大多數(shù)消費者仍然依靠智能手機獲取動態(tài)信息泉手。 ...
或 投遞簡歷至: hr@auniontech.com
