論文の概要: Misalignment Resilient Diffractive Optical Networks
- arxiv url: http://arxiv.org/abs/2005.11464v1
- Date: Sat, 23 May 2020 04:22:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 03:37:04.900043
- Title: Misalignment Resilient Diffractive Optical Networks
- Title（参考訳）: 微調整弾性回折光ネットワーク
- Authors: Deniz Mengu, Yifan Zhao, Nezih T. Yardimci, Yair Rivenson, Mona
Jarrahi, Aydogan Ozcan
- Abstract要約: 本稿では,3次元のミスアライメントと耐加工性に対する拡散ネットワークのロバスト性を大幅に向上させる新しいトレーニング手法を紹介し,実験的に実証する。
3次元の望ましくない層間ミスアライメントを光フォワードモデルにおける連続的ランダム変数としてモデル化することにより、拡散ネットワークは広い範囲のミスアライメントにわたって推論精度を維持するように訓練される。
- 参考スコア（独自算出の注目度）: 14.520023891142698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an optical machine learning framework, Diffractive Deep Neural Networks
(D2NN) take advantage of data-driven training methods used in deep learning to
devise light-matter interaction in 3D for performing a desired statistical
inference task. Multi-layer optical object recognition platforms designed with
this diffractive framework have been shown to generalize to unseen image data
achieving e.g., >98% blind inference accuracy for hand-written digit
classification. The multi-layer structure of diffractive networks offers
significant advantages in terms of their diffraction efficiency, inference
capability and optical signal contrast. However, the use of multiple
diffractive layers also brings practical challenges for the fabrication and
alignment of these diffractive systems for accurate optical inference. Here, we
introduce and experimentally demonstrate a new training scheme that
significantly increases the robustness of diffractive networks against 3D
misalignments and fabrication tolerances in the physical implementation of a
trained diffractive network. By modeling the undesired layer-to-layer
misalignments in 3D as continuous random variables in the optical forward
model, diffractive networks are trained to maintain their inference accuracy
over a large range of misalignments; we term this diffractive network design as
vaccinated D2NN (v-D2NN). We further extend this vaccination strategy to the
training of diffractive networks that use differential detectors at the output
plane as well as to jointly-trained hybrid (optical-electronic) networks to
reveal that all of these diffractive designs improve their resilience to
misalignments by taking into account possible 3D fabrication variations and
displacements during their training phase.
- Abstract（参考訳）: 光機械学習フレームワークとして、Diffractive Deep Neural Networks (D2NN)は、ディープラーニングで使用されるデータ駆動トレーニング手法を利用して、3Dで光-物質相互作用を考案し、所望の統計的推論タスクを実行する。
この微分フレームワークで設計された多層光学オブジェクト認識プラットフォームは、手書き数字分類の98%のブラインド推論精度を達成できる画像データに一般化することが示されている。
回折ネットワークの多層構造は、回折効率、推論能力、光信号コントラストにおいて大きな利点をもたらす。
しかし、複数の回折層を使用することは、光学的推論のためにこれらの回折系の作成とアライメントに実用的な課題をもたらす。
本稿では,3次元のミスアライメントに対する拡散ネットワークのロバスト性や,トレーニングされた拡散ネットワークの物理的実装における耐加工性を大幅に向上させる新たなトレーニング手法を紹介し,実験的に実証する。
3次元の望ましくない層間ミスアライメントを光フォワードモデルにおける連続的ランダム変数としてモデル化することにより、拡散ネットワークは広い範囲のミスアライメントに対して推論精度を維持するよう訓練される。
さらに, このワクチン接種戦略を, 出力面における微分検出器を用いた拡散型ネットワークの訓練や, 複合ハイブリッド(光電子)ネットワークの合同学習にも拡張し, これらの拡散型設計のすべてが, 訓練段階における3次元製造変動や変位を考慮し, 誤調整に対する弾力性を向上させることを明らかにする。
関連論文リスト
- WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers [4.510838705378781]
逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。
本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。
適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。
トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
論文 参考訳（メタデータ） (2024-02-16T17:03:08Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳（メタデータ） (2023-12-02T02:27:58Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - 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) - Analysis of Diffractive Neural Networks for Seeing Through Random
Diffusers [15.017918620413585]
我々は、無作為に未知の位相拡散器を拡散ニューラルネットワークで見ることのできる、コンピュータフリーで全光学イメージング方法を提案する。
異なる相関長のランダムなディフューザを画像化するために設計された様々なディフューザネットワークを解析することにより,ディフューザネットワークの画像再構成忠実度と歪み低減能力とのトレードオフが観察された。
論文 参考訳（メタデータ） (2022-05-01T09:12:24Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Scale-, shift- and rotation-invariant diffractive optical networks [0.0]
D2NN(Diffractive Deep Neural Networks)は、一連のトレーニング可能な表面上の光-物質相互作用を利用して、所望の統計的推論タスクを計算する。
そこで本研究では,学習期間中に入力オブジェクトの変換,回転,スケーリングを導入する,拡散型ネットワークの新たなトレーニング戦略を示す。
このトレーニング戦略は、スケール、シフト、回転不変の解への微分光学ネットワーク設計の進化をうまく導く。
論文 参考訳（メタデータ） (2020-10-24T02:18:39Z) - Ensemble learning of diffractive optical networks [0.0]
CIFAR-10試験画像の分類において, N=14, N=30 D2NNのアンサンブルが61.14%, 62.13%のブラインドテスト精度が得られることを示した。
これらの結果は、同じデータセット上の任意の回折光学ニューラルネットワーク設計により、これまで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） (2020-09-15T05:02:50Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。