(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210459345.8 (22)申请日 2022.04.27 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区崇文路2号 (72)发明人 周牧　夏慧诗　王勇　谢良波　 杨小龙　聂伟　 (51)Int.Cl. G02F 1/35(2006.01) G02F 1/355(2006.01) G06N 3/04(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) H04B 10/70(2013.01) (54)发明名称 一种基于双流特征融合网络的纠缠光量子 图像目标识别方法 (57)摘要 本发明提出了一种基于双流特征融合网络 ( T w o‑S t r e a m  F e a t u r e  F u s i o n   ConvolutionalNetwork,TSFFCNet)的纠缠光量 子图像目标识别方法。 首先， 将氩原子激光器产 生的连续泵浦光照射至周期极化磷酸氧钛钾 (Periodically  Poled KTP,PPKTP)晶体， 进行共 线的Ⅱ型自发参量下转换过程， 产生具有纠缠特 性的闲置光和信号光； 其次， 闲置光和信号光通 过偏振分束器被 分离在两条光路上传输， 信号光 束经过成像透镜照射在待成像目标上后被单光 子探测器收集， 闲置光束经数字微镜装置 (Digital Micromirror  Device,DMD)扫描后被 另一单光子探测器收集； 再次， 两条光路探测器 收集到的光子通过光纤送入符合计数器进行测 量得到量子图像； 然后， 建立双流特征融合网络， 将量子图像输入到网络中进行训练； 最后， 根据 深度学习网络提取的特 征进行目标识别。 权利要求书3页 说明书6页 附图2页 CN 114859624 A 2022.08.05 CN 114859624 A 1.一种基于双流特征融合网络的纠缠光量子图像目标识别方法， 其特征在于包括以下 步骤： 步骤一、 利用波长为405nm的半导体激光器产生高质量的连续泵浦光， 利用半波片和四 分之一波片将激光调制为线偏振光； 步骤二、 利用焦距分别为100mm的透镜1和50mm的透镜2组成望远镜系统， 对泵浦光进行 缩束， 使缩束压缩后的泵浦光能量更加集中； 步骤三、 将泵浦光照射周期极化磷酸氧钛钾(Periodically  Poled KTP,PPKTP)晶体进 行自发参 量下转换产生波长为810nm的纠缠双光子对， 双光子纠缠态的波函数表示 为： 其中， 函数 描述纠缠光子对的空间位置分布信息， 态|0,0>表示纠缠双光子对的 初始态， 和 为信号光子和闲置光子的产生 算符； 步骤四、 利用透镜3和透镜4对纠缠光束进行扩束， 通过波长为810nm的偏振分束器 (Polariz ation Beam Splitter,PBS)将纠缠光子对分离， 得到信号光束和闲置光束， 它们 的频幅函数 F(Ω)为： 其中， Ω为纠缠光的中心频率， τ为信号光子和闲置光子通过 PPKTP晶体产生的时间差； 步骤五、 将信号光束经过成像透镜5照射放置在距离偏振分束器1米位置的待成像目 标， 透射过目标物体的信号光子经过透镜6和透镜7进 行汇聚， 然后通过中心波长为810nm的 滤波片滤除非810nm 的杂散光， 得到高纯度的810nm纠缠信号光束， 该光束进入光纤准直器 经单模光纤传输入单光子 探测器1被收集； 步骤六、 闲置光束经反射棱镜入射到数字微镜装置(Digital  Micromirror  Device, DMD)上， 经DMD扫描二维空间信息后通过透镜8和透镜9进行汇聚， 然后通过中心波长为 810nm的滤波片滤除非810nm的杂散光， 得到高纯度的810nm纠缠闲置光束， 进入光纤准直器 经单模光纤传输入单光子 探测器2被收集； 步骤七、 将单光子探测器1和单光子探测器2收集到的信号光子和闲置光子进行符合计 数， 符合计数 可以用光场二阶关联函数表示， 即 其中， r1和r2分别表示信号光子和参考光子从透镜7和9到PBS的距 离， t1和t2分别表示信 号和参考光子的传播时间， E(r1,t1)和E(r2,t2)分别表示信号光路和参考光路的光场， 然后 根据符合计数测量结果即可实现量子成像； 步骤八、 将MNIST手写数字图片数据集中每个数字 的前500张图片进行成像， 生成5000权　利　要　求　书 1/3 页 2 CN 114859624 A 2张像素为28 ×28的量子成像图， 并将其随机分割为包含3500张图片的训练集和包含1500张 图片的测试集， 处 理为深度学习网络的手写数字量子成像图数据集； 步骤九、 将量子成像图输入构造的双流特征融合网络(Two ‑Stream Feature Fusion  Convolutional  Network,TSFFCNet)， 设置卷积模块1的卷积核个数为32， 通过1层卷积核 为 5×5、 步长为1的卷积变换， 保持输入数据的尺寸 不变； 步骤十、 对步骤九的结果进行批标准化(Batch  Normalization,B N)、 步长为2的最大池 化和修正线性单元(REctified  Linear Unit,ReLU)激活操作， 得到14 ×14大小的浅层特征 图； 步骤十一、 将浅层特征 图输入TSFFCNet的S流中， 提取量子成像目标的目标边缘轮廓、 整体背景信息等浅层特 征； 步骤十二、 将浅层特征图输入TSFFCNet的D流中， 提取量子成像目标的抽象语义信息等 深层特征， 得到4 ×4大小的特 征图； 步骤十三、 将步骤十一和步骤十二提取到的特征进行融合， 并引入概率为0.4的 Dropout层随机断开网络的连接， 防止网络训练过拟合； 步骤十四、 利用节点数分别为120和80的两层全连接层进一步聚合挖掘目标的特征信 息， 并将生 成的特征向量输入到Softmax函数进 行计算， 得到当前输入样 本属于每个数字类 别的概率结果矩阵X＝[ x0 x1 x2 x3 x4 x5 x6 x7 x8 x9]T， 矩阵X中的标量值xi(i∈{0,1, …, 9})表示量子成像目标被TSFFCNet判别为类别i的概率， 标量值最大的角标表 示目标量子成 像图被判别为某一类数字的结果， 从而实现目标的识别分类。 2.根据权利要求所述的一种基于双流特征融合网络的纠缠光量子图像目标识别方中 提取量子成像目标的浅层特 征方法， 其特 征在于： 所述 步骤十一中包括以下步骤： 步骤十一(一)、 设置S流中卷积核个数为48， 将步骤十的结果进行一次卷积核为1 ×1、 步长为2的卷积 操作， 实现2倍下采样效果， 生成7 ×7大小的特 征图； 步骤十一(二)、 将特征图输入通道注意力机制模块， 利用平均池化和最大池化学习量 子成像目标的背景信息和独特纹理特征， 通过共享多层 感知器(Multilayer  Perceptron, MLP)聚合学习到的特 征图空间信息， 具体 计算方法为： 其中， δ(·)表示ReLU函数， 为输入特征向量， AvgPool和MaxPool分别表示平 均池化和最大池化， 和 分别表示对输入特征图使用平均池化和最大池化压缩空间 维度得到的特 征图， W0和W1分别表示节点数量 为32和48的MLP隐藏层； 步骤十一(三)、 将步骤十一(二)得到的通道注意图Mc(F)与步骤十一(一)得到的7 ×7特 征图相乘进行 特征的自适应学习， 生成7 ×7大小的特 征图； 步骤十一(四)、 将步骤十一(三)得到的特征图进行全局最大池化， 提取量子成像目标 关键位置的更精细的特 征。 3.根据权利要求所述的一种基于双流特征融合网络的纠缠光量子图像目标识别方中 提取量子成像目标的深层特 征方法， 其特 征在于： 所述 步骤十二中包括以下步骤： 步骤十二(一)、 设置卷积模块2的卷积核个数为32， 最大池化层感受野大小为3 ×3， 步权　利　要　求　书 2/3 页 3 CN 114859624 A 3