| ش | ی | د | س | چ | پ | ج |
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 | 31 |
خلاصه
این بررسی مقالات اصلی با استفاده از یادگیری عمیق در زمینه بیوفتونیک منتشر شده در سال های گذشته را پوشش می دهد. در این سال‌ها یادگیری عمیق که زیرمجموعه‌ای از یادگیری ماشینی است که عمدتاً بر اساس هندسه‌های شبکه عصبی مصنوعی است، در تعدادی از وظایف بیوفوتونیکی به کار گرفته شد و به عملکردهای پیشرفته‌ای دست یافت. بنابراین، یادگیری عمیق در زمینه بیوفوتونیک به سرعت در حال رشد است و در سال های آینده برای به دست آوردن سیستم های تصمیم گیری بیوفوتونیک بلادرنگ و به طور کلی برای تجزیه و تحلیل داده های بیوفوتونیکی مورد استفاده قرار خواهد گرفت. در این مقاله، ما در مورد امکانات یادگیری عمیق در زمینه بیوفوتونیک از جمله طبقه‌بندی تصویر، تقسیم‌بندی، ثبت، رنگ‌آمیزی کاذب و افزایش وضوح بحث می‌کنیم. علاوه بر این، ما در مورد استفاده بالقوه از یادگیری عمیق برای داده های طیف سنجی از جمله پیش پردازش داده های طیفی و طبقه بندی طیفی بحث می کنیم. ما این بررسی را با پرداختن به کاربردهای بالقوه و چالش‌های استفاده از یادگیری عمیق برای داده‌های بیوفوتونیک به پایان می‌رسانیم.
کلیدواژه: شبکه های عصبی مصنوعی بیوفوتونیک؛ یادگیری عمیق؛ طیف سنجی