衍射光网络使用对象移动来提高性能

由于光学的大规模并行性和带宽，光学计算在机器学习应用中引起了广泛的兴趣。衍射网络提供了一种这样的计算范式，它基于输入光在通过一组空间工程表面衍射时的转换，以光传播的速度执行计算，除了输入光束之外不需要任何外部电源。在众多其他应用中，衍射网络已被证明可以对输入对象执行全光学分类。

由AydoganOzcan教授领导的加州大学洛杉矶分校(UCLA)的研究人员引入了一种“延时”方案，可显着提高衍射光学网络对复杂输入对象的图像分类精度。研究结果发表在《高级智能系统》杂志上。

在该方案中，物体和/或衍射网络在输出检测器曝光期间相对于彼此移动。这种“延时”方案以前已用于实现超分辨率成像，例如，在安全摄像机中，通过使用摄像机的横向移动捕获场景的多个图像。

从延时超分辨率成像的成功中汲取灵感，加州大学洛杉矶分校的研究人员利用“延时衍射网络”在CIFAR-10图像(一个公开可用的数据集)的全光学分类上实现了超过62%的盲测准确率包含飞机、汽车、猫等的图像。他们的结果比时间静态衍射光学网络有了显着的改进。

同一个研究小组之前已经展示了衍射网络的集成学习，其中多个衍射网络协同工作以提高图像分类的准确性。然而，随着延时方案的结合，有可能超过15个以上网络的整体与一个独立的衍射网络，显着减少衍射系统的足迹，同时消除多个物理对齐和同步的复杂性个人网络。研究人员还探索了将集成学习纳入延时图像分类的方法，结果显示CIFAR-10图像分类的盲测准确率超过65%。

对于所提出的延时分类方案的物理实现，最简单的方法是在成像过程中利用物体或衍射相机的自然抖动，并允许延时的好处在没有额外成本的情况下获得，除了略微增加在推理时间内由于检测器信号积分期间的抖动。

这项关于延时图像分类的研究展示了利用光场的时间自由度进行光学计算，并向采用紧凑、低成本和无源材料的全光学时空信息处理迈出了一大步。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！