論文の概要: Spectrally-Encoded Single-Pixel Machine Vision Using Diffractive Networks

• arxiv url: http://arxiv.org/abs/2005.11387v2
• Date: Fri, 26 Mar 2021 04:48:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 22:16:10.312784
• Title: Spectrally-Encoded Single-Pixel Machine Vision Using Diffractive Networks
• Title（参考訳）: 回折ネットワークを用いた分光符号化シングルピクセルマシンビジョン
• Authors: Jingxi Li, Deniz Mengu, Nezih T. Yardimci, Yi Luo, Xurong Li, Muhammed Veli, Yair Rivenson, Mona Jarrahi, Aydogan Ozcan
• Abstract要約: 物質3次元工学は、光-物質相互作用によって様々な計算タスクを実行できるシステムを設計するための新たな道を開いた。 本稿では,物体の空間情報を回折光のパワースペクトルに変換・符号化するために,深層学習を用いて学習した多層回折層による光ネットワークの設計を実証する。 我々は,10波長の回折光のスペクトルパワーを検出し,手書き桁の画像を光学的に分類するために,テラヘルツスペクトルでこのマシンビジョンフレームワークを実験的に検証した。
• 参考スコア（独自算出の注目度）: 6.610893384480686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D engineering of matter has opened up new avenues for designing systems that can perform various computational tasks through light-matter interaction. Here, we demonstrate the design of optical networks in the form of multiple diffractive layers that are trained using deep learning to transform and encode the spatial information of objects into the power spectrum of the diffracted light, which are used to perform optical classification of objects with a single-pixel spectroscopic detector. Using a time-domain spectroscopy setup with a plasmonic nanoantenna-based detector, we experimentally validated this machine vision framework at terahertz spectrum to optically classify the images of handwritten digits by detecting the spectral power of the diffracted light at ten distinct wavelengths, each representing one class/digit. We also report the coupling of this spectral encoding achieved through a diffractive optical network with a shallow electronic neural network, separately trained to reconstruct the images of handwritten digits based on solely the spectral information encoded in these ten distinct wavelengths within the diffracted light. These reconstructed images demonstrate task-specific image decompression and can also be cycled back as new inputs to the same diffractive network to improve its optical object classification. This unique machine vision framework merges the power of deep learning with the spatial and spectral processing capabilities of diffractive networks, and can also be extended to other spectral-domain measurement systems to enable new 3D imaging and sensing modalities integrated with spectrally encoded classification tasks performed through diffractive optical networks.
• Abstract（参考訳）: 物質の3dエンジニアリングは、光間相互作用によって様々な計算タスクを実行できるシステムを設計するための新しい道を開いた。 本稿では,物体の空間情報を1画素分光検出器を用いて物体の光学的分類を行うために用いられる回折光のパワースペクトルに変換・エンコードするためにディープラーニングを用いて訓練された複数の回折層による光ネットワークの設計を示す。 プラズモンナノアンテナベースの検出器を用いた時間領域分光装置を用いて、テラヘルツスペクトルにおけるこの機械ビジョンの枠組みを実験的に検証し、回折光のスペクトルパワーを10波長で検出し、手書き桁の画像を光学的に分類した。 また,これらの10個の波長で符号化されたスペクトル情報のみに基づいて,手指画像の再構成を個別に訓練し,拡散型光ネットワークと浅層電子ニューラルネットで達成したスペクトル符号化の結合について報告する。 これらの再構成画像は、タスク固有の画像圧縮を示し、同じ拡散ネットワークへの新たな入力として循環して、光学オブジェクトの分類を改善することができる。 このユニークなマシンビジョンフレームワークは、ディープラーニングのパワーと差分ネットワークの空間的およびスペクトル処理能力とを融合させ、他のスペクトル領域計測システムにも拡張することができ、回折光学ネットワークで実行されるスペクトル符号化分類タスクと統合された新しい3dイメージングとセンシングモードを可能にする。

関連論文リスト

• TOP-ReID: Multi-spectral Object Re-Identification with Token Permutation [64.65950381870742]
  マルチスペクトルオブジェクトReID, Dubbled TOP-ReIDのための循環トークン置換フレームワークを提案する。 また,巡回多スペクトル特徴アグリゲーションのためのToken Permutation Module (TPM)を提案する。 提案するフレームワークは,ロバストなオブジェクトReIDに対して,より識別性の高いマルチスペクトル特徴を生成できる。
  論文  参考訳（メタデータ） (2023-12-15T08:54:15Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• Snapshot Multispectral Imaging Using a Diffractive Optical Network [2.8880000014100506]
  深層学習を用いて訓練した回折光ネットワークを用いたマルチスペクトルイメージングシステムを提案する。 本発明の回折多スペクトル撮像装置は、大きなスペクトル上の空間コヒーレント撮像を行う。 本研究では,3次元プリント型回折ネットワークに基づく回折多スペクトル画像の試作を行った。
  論文  参考訳（メタデータ） (2022-12-10T05:54:24Z)
• Time-lapse image classification using a diffractive neural network [0.0]
  回折ネットワークを用いたタイムラプス画像分類方式を初めて示す。 CIFAR-10データセットからの物体の光学的分類におけるブラインドテスト精度は62.03%である。 これは、これまで1つの回折ネットワークを用いて達成された最も高い推測精度を構成する。
  論文  参考訳（メタデータ） (2022-08-23T08:16:30Z)
• All-optical image classification through unknown random diffusers using a single-pixel diffractive network [13.7472825798265]
  ランダムで未知の散乱媒体の背後にある物体の分類は、計算画像とマシンビジョンフィールドの難しいタスクをセットする。 近年の深層学習に基づくアプローチは、画像センサによって収集されたディフューザ歪みパターンを用いた物体の分類を実証した。 本稿では,1画素で検出されたブロードバンド照明を用いて未知の物体をランダムな位相拡散器で直接分類する全光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-08-08T08:26:08Z)
• Deep Coding Patterns Design for Compressive Near-Infrared Spectral Classification [80.93625278357229]
  スペクトル分類は、測定に埋め込まれたスペクトル情報の量を考慮して、圧縮領域で直接行うことができる。 本研究では,CSIにおける符号化パターンとネットワークパラメータを協調的に設計し,組込み近赤外圧縮測定から直接スペクトル分類を行うエンド・ツー・エンド手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T15:55:53Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)
• Neural network-based on-chip spectroscopy using a scalable plasmonic encoder [0.4397520291340694]
  従来の分光計は、サイズ、コスト、信号対雑音比(SNR)、スペクトル分解能によって設定されるトレードオフによって制限される。 本稿では,小型で低コストなオンチップセンシング方式を用いて,深層学習に基づくスペクトル再構成フレームワークを実証する。
  論文  参考訳（メタデータ） (2020-12-01T22:50:06Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)
• Terahertz Pulse Shaping Using Diffractive Surfaces [6.895625925414448]
  本稿では、任意のブロードバンドパルスを所望の光波形に変換するために使用する回折ネットワークを提案する。 結果はテラヘルツスペクトルにおける直接パルス整形の最初の実証となる。 この学習に基づく回折パルス工学フレームワークは、通信、超高速イメージング、分光などの幅広い応用を見出すことができる。
  論文  参考訳（メタデータ） (2020-06-30T08:27:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。