論文の概要: Time-lapse image classification using a diffractive neural network
- arxiv url: http://arxiv.org/abs/2208.10802v1
- Date: Tue, 23 Aug 2022 08:16:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:26:01.165685
- Title: Time-lapse image classification using a diffractive neural network
- Title（参考訳）: 微分ニューラルネットワークを用いた時間ラプス画像分類
- Authors: Md Sadman Sakib Rahman, Aydogan Ozcan
- Abstract要約: 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。
- 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: Diffractive deep neural networks (D2NNs) define an all-optical computing
framework comprised of spatially engineered passive surfaces that collectively
process optical input information by modulating the amplitude and/or the phase
of the propagating light. Diffractive optical networks complete their
computational tasks at the speed of light propagation through a thin
diffractive volume, without any external computing power while exploiting the
massive parallelism of optics. Diffractive networks were demonstrated to
achieve all-optical classification of objects and perform universal linear
transformations. Here we demonstrate, for the first time, a "time-lapse" image
classification scheme using a diffractive network, significantly advancing its
classification accuracy and generalization performance on complex input objects
by using the lateral movements of the input objects and/or the diffractive
network, relative to each other. In a different context, such relative
movements of the objects and/or the camera are routinely being used for image
super-resolution applications; inspired by their success, we designed a
time-lapse diffractive network to benefit from the complementary information
content created by controlled or random lateral shifts. We numerically explored
the design space and performance limits of time-lapse diffractive networks,
revealing a blind testing accuracy of 62.03% on the optical classification of
objects from the CIFAR-10 dataset. This constitutes the highest inference
accuracy achieved so far using a single diffractive network on the CIFAR-10
dataset. Time-lapse diffractive networks will be broadly useful for the
spatio-temporal analysis of input signals using all-optical processors.
- Abstract（参考訳）: diffractive deep neural networks (d2nns) は、伝搬光の振幅および/または位相を変調して光入力情報をまとめて処理する空間的に設計されたパッシブ表面からなる全光学計算フレームワークを定義する。
回折光学ネットワークは、光学の大規模並列性を利用して、外部の計算パワーを使わずに、薄い回折体積を通る光伝搬の速度で計算タスクを完了する。
回折ネットワークは、物体の全光学的分類を達成し、普遍線形変換を行う。
そこで本研究では, 差分ネットワークを用いた「タイムラプス」画像分類法を初めて実証し, 入力対象と回折ネットワークの側方移動を用いて, 複雑な入力対象の分類精度と一般化性能を大幅に向上させた。
異なる文脈では, 物体やカメラの相対的な動きが, 画像の超解像に日常的に使われており, その成功に触発されて, 制御あるいはランダムな横シフトによって生成された補完的情報コンテンツの恩恵を受ける時間経過回折ネットワークを設計した。
我々は,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を62.03%として,時間ラプス拡散ネットワークの設計空間と性能限界を数値的に検討した。
これは、CIFAR-10データセット上の単一の回折ネットワークを使用してこれまでに達成された最も高い推測精度を構成する。
時間経過回折ネットワークは、全光学プロセッサを用いた入力信号の時空間解析に広く有用である。
関連論文リスト
- Coherence Awareness in Diffractive Neural Networks [21.264497139730473]
拡散ネットワークでは空間コヒーレンス(空間コヒーレンス)の程度が劇的な効果を持つことを示す。
特に、物体の空間的コヒーレンス長が光学系で保存される最小の特徴量に匹敵する場合、非コヒーレントおよびコヒーレント極端は許容できる近似として機能しないことを示す。
論文 参考訳（メタデータ） (2024-08-13T07:19:40Z) - Spatial-frequency Dual-Domain Feature Fusion Network for Low-Light Remote Sensing Image Enhancement [49.15531684596958]
低照度リモートセンシング画像強調のためのDFFN(Dual-Domain Feature Fusion Network)を提案する。
第1フェーズは振幅情報を学習して画像輝度を復元し、第2フェーズは位相情報を学習して詳細を洗練させる。
我々は、現在の暗光リモートセンシング画像強調におけるデータセットの欠如に対応するために、2つの暗光リモートセンシングデータセットを構築した。
論文 参考訳（メタデータ） (2024-04-26T13:21:31Z) - 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) - 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) - Diffractive all-optical computing for quantitative phase imaging [0.0]
物体の定量的位相像を合成できる回折QPIネットワークを実証する。
微分QPIネットワーク(diffractive QPI network)は、位相-強度変換を定量的に行うために設計された、特殊な全光学プロセッサである。
論文 参考訳（メタデータ） (2022-01-22T05:28:44Z) - 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) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - 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) - A Parallel Down-Up Fusion Network for Salient Object Detection in
Optical Remote Sensing Images [82.87122287748791]
光リモートセンシング画像(RSI)における有意な物体検出のための新しい並列ダウンアップフュージョンネットワーク(PDF-Net)を提案する。
In-pathの低レベル・高レベルな特徴とクロスパスの多解像度な特徴をフル活用して、多様なスケールのサルエントオブジェクトを識別し、散らかった背景を抑える。
ORSSDデータセットの実験により、提案したネットワークは定性的かつ定量的に最先端のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T05:27:57Z) - 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) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
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。