Neural calibration of imaging Stokes polarimeters
Las técnicas actuales de calibración polarimétrica derivan la matriz de modulación del instrumento ajustando numéricamente un modelo instrumental a las mediciones de un conjunto de vectores de Stokes de calibración. Estas técnicas suelen estar limitadas a un error en la recuperación de los parámetro...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Articulo |
| Lenguaje: | Inglés |
| Publicado: |
2024
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/171647 |
| Aporte de: |
| Sumario: | Las técnicas actuales de calibración polarimétrica derivan la matriz de modulación del instrumento ajustando numéricamente un modelo instrumental a las mediciones de un conjunto de vectores de Stokes de calibración. Estas técnicas suelen estar limitadas a un error en la recuperación de los parámetros Stokes Q, U y V normalizados, en el rango de 1 x 10⁻² a 1 x 10⁻³. Este error suele aumentar cuando la respuesta del instrumento varía considerablemente a lo largo de su campo de visión y/o cuando existen efectos instrumentales que no están incluidos en el modelo de calibración asumido, como la no linealidad de la cámara. En este trabajo, proponemos una nueva técnica para calibrar polarímetros basada en un modelo compuesto por redes neuronales multicapa (NN). Este modelo está entrenado para aprender la matriz de modulación del instrumento dada una serie de parámetros de entrada, utilizando los mismos datos de calibración que se adquieren para las técnicas actuales. La principal ventaja de nuestro enfoque basado en NN es su flexibilidad para incorporar efectos instrumentales para los que no se dispone de un modelo preciso y, posiblemente mediante la fusión de datos de otros tipos de calibraciones relevantes, obtener una respuesta del instrumento más precisa. Presentamos un resultado preliminar del rendimiento de nuestro modelo utilizando datos sintéticos, donde se conoce la verdadera respuesta del instrumento. |
|---|