本项目为复杂介质光学通信在深度学习中的应用，在携带有信息的光信息通过复杂介质后，经由接收端的图像采集器可以得到其散点图，采用传统方法来对该散点图做信息解析需要较大的计算量，而且一旦携带的信息量过大的时候，传统的矩阵计算方法会因为矩阵过大，而无法在现有的计算条件下完成。由此这里我们采用了目前在图像领域比较流行的深度学习方法来做图像的信息解码工作。 我们主要采用的是ResNet34来对图像做解码工作，数据集中的散点图命名即保留了图像中的信息比特，所以这里的ground truth 就是图像的名称，我们将其分解为若干个比特信息。对每个比特做二分类，同时修改了传统的二分类损失函数以适应后续可能会增加的比特信息分类。
requirements:
tnt