論文の概要: Ensemble learning of diffractive optical networks
- arxiv url: http://arxiv.org/abs/2009.06869v1
- Date: Tue, 15 Sep 2020 05:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 05:13:22.796051
- Title: Ensemble learning of diffractive optical networks
- Title（参考訳）: 回折光ネットワークのアンサンブル学習
- Authors: Md Sadman Sakib Rahman, Jingxi Li, Deniz Mengu, Yair Rivenson and
Aydogan Ozcan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A plethora of research advances have emerged in the fields of optics and
photonics that benefit from harnessing the power of machine learning.
Specifically, there has been a revival of interest in optical computing
hardware, due to its potential advantages for machine learning tasks in terms
of parallelization, power efficiency and computation speed. Diffractive Deep
Neural Networks (D2NNs) form such an optical computing framework, which
benefits from deep learning-based design of successive diffractive layers to
all-optically process information as the input light diffracts through these
passive layers. D2NNs have demonstrated success in various tasks, including
e.g., object classification, spectral-encoding of information, optical pulse
shaping and imaging, among others. Here, we significantly improve the inference
performance of diffractive optical networks using feature engineering and
ensemble learning. After independently training a total of 1252 D2NNs that were
diversely engineered with a variety of passive input filters, we applied a
pruning algorithm to select an optimized ensemble of D2NNs that collectively
improve their image classification accuracy. Through this pruning, we
numerically demonstrated that ensembles of N=14 and N=30 D2NNs achieve blind
testing accuracies of 61.14% and 62.13%, respectively, on the classification of
CIFAR-10 test images, providing an inference improvement of >16% compared to
the average performance of the individual D2NNs within each ensemble. These
results constitute the highest inference accuracies achieved to date by any
diffractive optical neural network design on the same dataset and might provide
a significant leapfrog to extend the application space of diffractive optical
image classification and machine vision systems.
- Abstract（参考訳）: 機械学習のパワーを活用することの恩恵を受ける光学やフォトニクスの分野では、数多くの研究が進んでいる。
具体的には、並列化、電力効率、計算速度の観点から機械学習タスクの潜在的な優位性のため、光学コンピューティングハードウェアに対する関心が復活している。
ディフューティブ深層ニューラルネットワーク(d2nns)は、これらのパッシブ層を通して入力光ディフューレットとして情報を処理するために、連続したディフューティブ層をディープラーニングベースの設計から恩恵を受ける光コンピューティングフレームワークを形成する。
d2nnは、オブジェクトの分類、情報のスペクトルエンコーディング、光パルス整形、イメージングなど、様々なタスクで成功を収めている。
本稿では,特徴工学とアンサンブル学習を用いて,回折光学ネットワークの推論性能を大幅に向上させる。
様々なパッシブ入力フィルタを多用した1252種類のd2nnを独立にトレーニングした後,画像分類精度を総合的に向上する最適化されたd2nnのアンサンブルを選択するためにpruningアルゴリズムを適用した。
これにより,CIFAR-10テスト画像の分類において,N=14とN=30のD2NNのアンサンブルがそれぞれ61.14%,62.13%のブラインドテスト精度を達成でき,各アンサンブル内の個々のD2NNの平均性能に比べて16%の推論精度が得られた。
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って達成された最も高い推定精度であり、微分光学画像分類と機械ビジョンシステムの適用範囲を拡大するための重要な飛躍的な飛躍をもたらす可能性がある。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。
本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。
LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
論文 参考訳（メタデータ） (2024-07-13T16:09:45Z) - Classification robustness to common optical aberrations [64.08840063305313]
本稿では,現実的かつ実用的な光ぼけ効果に対するロバスト性を調べるためのベンチマークである OpticsBench を提案する。
ImageNetの実験では、様々な訓練済みのDNNに対して、ディスク形状のカーネルと比較して、パフォーマンスが強いことが示されている。
我々は,光カーネルをデータ拡張として使用することにより,拡張可能なImageNet-100について述べる。
論文 参考訳（メタデータ） (2023-08-29T08:36:00Z) - Sophisticated deep learning with on-chip optical diffractive tensor
processing [5.081061839052458]
フォトニック集積回路は、電子回路によってもたらされる帯域制限と電力ウォールを緩和するための効率的なアプローチを提供する。
我々は、オンチップ回折により、光畳み込みユニット(OCU)と呼ばれる畳み込み加速度を実装する光学コンピューティングアーキテクチャを提案する。
OCUを基本単位として、光学畳み込みニューラルネットワーク(oCNN)を構築し、分類と回帰という2つの一般的なディープラーニングタスクを実装する。
論文 参考訳（メタデータ） (2022-12-20T03:33:26Z) - 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 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) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳（メタデータ） (2021-10-27T07:18:32Z) - An optical neural network using less than 1 photon per multiplication [4.003843776219224]
手書き桁分類において99%の精度を達成する光ニューラルネットワークを実験的に実証した。
この性能は、カスタム自由空間光学プロセッサを使用して達成された。
私達の結果は低光力操作のための原則を提供します。
論文 参考訳（メタデータ） (2021-04-27T20:43:23Z) - 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) - Misalignment Resilient Diffractive Optical Networks [14.520023891142698]
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。
論文 参考訳（メタデータ） (2020-05-23T04:22:48Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z)
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。