論文の概要: Image sensing with multilayer, nonlinear optical neural networks
- arxiv url: http://arxiv.org/abs/2207.14293v1
- Date: Wed, 27 Jul 2022 21:00:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:24:01.528920
- Title: Image sensing with multilayer, nonlinear optical neural networks
- Title（参考訳）: 多層型非線形光ニューラルネットワークによる画像センシング
- Authors: Tianyu Wang, Mandar M. Sohoni, Logan G. Wright, Martin M. Stein,
Shi-Yuan Ma, Tatsuhiro Onodera, Maxwell G. Anderson, and Peter L. McMahon
- Abstract要約: 新たなイメージセンシングパラダイムは、このデータ収集と分析の境界を破るものだ。
画像を効率よく分析するのに適した圧縮された低次元の潜伏空間に光学的に符号化することで、これらの画像センサは少ないピクセルと少ない光子で動作することができる。
商用画像強調器を並列光電子・光・光の非線形活性化機能として用いた画像センシング用多層ONNプリプロセッサを実演する。
- 参考スコア（独自算出の注目度）: 4.252754174399026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical imaging is commonly used for both scientific and technological
applications across industry and academia. In image sensing, a measurement,
such as of an object's position, is performed by computational analysis of a
digitized image. An emerging image-sensing paradigm breaks this delineation
between data collection and analysis by designing optical components to perform
not imaging, but encoding. By optically encoding images into a compressed,
low-dimensional latent space suitable for efficient post-analysis, these image
sensors can operate with fewer pixels and fewer photons, allowing
higher-throughput, lower-latency operation. Optical neural networks (ONNs)
offer a platform for processing data in the analog, optical domain. ONN-based
sensors have however been limited to linear processing, but nonlinearity is a
prerequisite for depth, and multilayer NNs significantly outperform shallow NNs
on many tasks. Here, we realize a multilayer ONN pre-processor for image
sensing, using a commercial image intensifier as a parallel optoelectronic,
optical-to-optical nonlinear activation function. We demonstrate that the
nonlinear ONN pre-processor can achieve compression ratios of up to 800:1 while
still enabling high accuracy across several representative computer-vision
tasks, including machine-vision benchmarks, flow-cytometry image
classification, and identification of objects in real scenes. In all cases we
find that the ONN's nonlinearity and depth allowed it to outperform a purely
linear ONN encoder. Although our experiments are specialized to ONN sensors for
incoherent-light images, alternative ONN platforms should facilitate a range of
ONN sensors. These ONN sensors may surpass conventional sensors by
pre-processing optical information in spatial, temporal, and/or spectral
dimensions, potentially with coherent and quantum qualities, all natively in
the optical domain.
- Abstract（参考訳）: 光イメージングは、産業と学界の科学と技術の両方で一般的に使われている。
画像センシングでは、デジタル化画像の計算解析により、物体の位置などの測定を行う。
新たなイメージセンシングパラダイムは、イメージングではなくエンコーディングを行う光学コンポーネントを設計することによって、データ収集と分析の間のこの境界線を破る。
効率の良い後分析に適した圧縮された低次元の潜伏空間に画像を光学的に符号化することにより、これらの画像センサは少ないピクセルと少ない光子で動作し、高いスループットで低いレイテンシの操作を可能にする。
光ニューラルネットワーク(ONN)は、アナログの光学領域でデータを処理するためのプラットフォームを提供する。
しかし、ONNベースのセンサーは線形処理に限られているが、非線形性は深さの前提条件であり、多層NNは多くのタスクにおいて浅いNNよりも著しく優れている。
そこで我々は,商用画像強調器を並列光電子・光-光非線形活性化関数として用いて,画像センシングのための多層ONNプリプロセッサを実現する。
我々は, マシンビジョンベンチマーク, フローサイトメトリー画像分類, 実シーンにおける物体の識別など, コンピュータビジョンタスクにおいて高い精度を保ちながら, 最大800:1の圧縮比を達成できることを実証した。
いずれの場合も、ONNの非線形性と深さは純粋に線形なONNエンコーダよりも優れていた。
我々の実験は、非コヒーレント光画像のためのONNセンサーに特化しているが、代替のONNプラットフォームは、様々なONNセンサーを促進するだろう。
これらのonnセンサーは、空間的、時間的、および/またはスペクトルの次元で光学情報を前処理することで、従来のセンサーを超える可能性がある。
関連論文リスト
- Digital-analog hybrid matrix multiplication processor for optical neural
networks [11.171425574890765]
光ニューラルネットワーク(ONN)のためのディジタルアナログハイブリッド光コンピューティングアーキテクチャを提案する。
しきい値に基づく論理レベルと決定を導入することにより、計算精度を大幅に向上させることができる。
画素誤り率(PER)は18.2dBの信号対雑音比(SNR)で1.8times10-3$以下である。
論文 参考訳（メタデータ） (2024-01-26T18:42:57Z) - Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
本稿では,革新的な深層学習に基づく量子センシング手法を提案する。
これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
論文 参考訳（メタデータ） (2023-11-13T09:46:05Z) - Free-Space Optical Spiking Neural Network [0.0]
自由空間光深絞り畳み込みニューラルネットワーク(OSCNN)について紹介する。
この手法は人間の眼の計算モデルからインスピレーションを得ている。
以上の結果から,電子的ONNと比較して,レイテンシと消費電力を最小に抑えた有望な性能を示す。
論文 参考訳（メタデータ） (2023-11-08T09:41:14Z) - 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) - Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
汚れは視覚的により快適な写真を提供し、写真がより便利になる。
非均一な曖昧さを数学的にモデル化することは困難である。
我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
論文 参考訳（メタデータ） (2023-01-18T06:37:21Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - Physics-aware Differentiable Discrete Codesign for Diffractive Optical
Neural Networks [12.952987240366781]
本研究は,Diffractive Optical Neural Network (DONN) の効率的なトレーニングを可能にする,新しいデバイス間ハードウェア・ソフトウェア符号フレームワークを提案する。
Gumbel-Softmaxは、現実世界のデバイスパラメータからDONNの前方関数への微分可能な離散マッピングを可能にするために使用される。
その結果,提案手法は従来の量子化法に比べて大きな利点があることがわかった。
論文 参考訳（メタデータ） (2022-09-28T17:13:28Z) - Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。
我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文 参考訳（メタデータ） (2022-05-18T17:49:49Z) - Experimentally realized in situ backpropagation for deep learning in
nanophotonic neural networks [0.7627023515997987]
私たちは、カスタムデザインの「フォトニックメッシュ」アクセラレーターをカスケードする、大量製造可能なシリコンフォトニックニューラルネットワークを設計します。
In situ backproagation を初めて示し、分類課題を解く。
本研究は、フォトニクス加速人工知能の新しいトレーニングパラダイムを、一般的なバックプロパゲーション手法の物理的類似に基づいて提案するものであることを示唆する。
論文 参考訳（メタデータ） (2022-05-17T17:13:50Z) - 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) - Photonic neural field on a silicon chip: large-scale, high-speed
neuro-inspired computing and sensing [0.0]
フォトニックニューラルネットワークは、低レイテンシと超低エネルギー消費で高速なニューラル処理を実現する大きな可能性を秘めている。
本稿では、フォトニック・ニューラルフィールドの概念を提案し、シリコンチップ上で実験的に実装し、高度にスケーラブルなニューラルインスピレーションド・コンピューティングを実現する。
本研究では,オンチップ・フォトニック・ニューラルフィールドを情報の保存手段として使用し,低誤差でカオス時系列予測を行う。
論文 参考訳（メタデータ） (2021-05-22T09:28:51Z)
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。