論文の概要: DAD vision: opto-electronic co-designed computer vision with division
adjoint method
- arxiv url: http://arxiv.org/abs/2211.03576v1
- Date: Fri, 4 Nov 2022 07:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 19:08:37.502039
- Title: DAD vision: opto-electronic co-designed computer vision with division
adjoint method
- Title(参考訳): DADビジョン:分割随伴法による光電子共同設計型コンピュータビジョン
- Authors: Zihan Zang, Haoqiang Wang, Yunpeng Xu
- Abstract要約: 受動光畳み込みを実現するために,超薄めの回折光学素子を提案する。
分割共役光電子共設計法も提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The miniaturization and mobility of computer vision systems are limited by
the heavy computational burden and the size of optical lenses. Here, we propose
to use a ultra-thin diffractive optical element to implement passive optical
convolution. A division adjoint opto-electronic co-design method is also
proposed. In our simulation experiments, the first few convolutional layers of
the neural network can be replaced by optical convolution in a classification
task on the CIFAR-10 dataset with no power consumption, while similar
performance can be obtained.
- Abstract(参考訳): コンピュータビジョンシステムの小型化と移動性は、計算負荷と光学レンズのサイズによって制限される。
本稿では,超薄型回折光学素子を用いて受動光畳み込みを実現することを提案する。
また, 隣接光電子共設計法も提案されている。
シミュレーション実験では、ニューラルネットワークの最初のいくつかの畳み込み層は、消費電力のないCIFAR-10データセットの分類タスクにおいて光学的畳み込みによって置き換えることができるが、同様の性能が得られる。
関連論文リスト
- Passive Non-Line-of-Sight Imaging with Light Transport Modulation [48.73475279812311]
一つのネットワークで複数の光輸送条件を効果的に処理する新しい受動NLOSイメージング法であるNLOS-LTMを提案する。
我々は、投影画像から潜在光輸送表現を推測し、この表現を用いて、投影画像から隠されたイメージを再構成するネットワークを変調する。
大規模受動的NLOSデータセットの実験により,提案手法の優位性を実証した。
論文 参考訳(メタデータ) (2023-12-26T11:49:23Z) - All-optical modulation with single-photons using electron avalanche [69.65384453064829]
単光子強度ビームを用いた全光変調の実証を行った。
本稿では,テラヘルツ高速光スイッチングの可能性を明らかにする。
論文 参考訳(メタデータ) (2023-12-18T20:14:15Z) - High-performance real-world optical computing trained by in situ
model-free optimization [2.4416566082425972]
光コンピューティングシステムのその場トレーニングのためのモデルフリー最適化(MFO)手法を提案する。
MFOは、光学計算システムをブラックボックスとして扱い、光学計算重みの確率分布に直接損失をバックプロパガンダする。
提案手法のモデルフリーで高性能な性質と計算資源の需要の低さが組み合わさって,実験室から実世界の応用への光コンピューティングの移行を早める。
論文 参考訳(メタデータ) (2023-07-22T01:56:58Z) - Characterization of multi-mode linear optical networks [0.0]
不完全性の存在下での光回路のキャラクタリゼーションのための効率的な手順を定式化する。
本稿では,本手法の有効性を,可変集積フォトニック回路で定義された実験的なシナリオで示す。
本研究は, バルク構成と統合構成の両方に基づいて, 広い範囲の光学装置に応用できることを示す。
論文 参考訳(メタデータ) (2023-04-13T13:09:14Z) - 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) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - Photonic Differential Privacy with Direct Feedback Alignment [66.61196212740359]
本稿では,光乱射影の固有雑音を利用して,微分プライベートなDFA機構を構築する方法について述べる。
本研究は,エンドタスクの確固たるパフォーマンスを実現するための学習手順の実証実験を行う。
論文 参考訳(メタデータ) (2021-06-07T14:18:01Z) - Scalable Optical Learning Operator [0.2399911126932526]
提案するフレームワークは,速度を分類することなく既存のシステムのエネルギースケーリング問題を克服する。
数値的および実験的に、デジタル実装に匹敵する精度で複数の異なるタスクを実行する方法の能力を示した。
その結果、マルチモードファイバベースのコンピュータの性能を複製するには、強力なスーパーコンピュータが必要であることが示された。
論文 参考訳(メタデータ) (2020-12-22T23:06:59Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-01T16:04:22Z) - Large-scale neuromorphic optoelectronic computing with a reconfigurable
diffractive processing unit [38.898230519968116]
回折処理ユニットを構築することにより、光電子再構成可能な計算パラダイムを提案する。
異なるニューラルネットワークを効率的にサポートし、数百万のニューロンで高いモデル複雑性を達成することができる。
市販の光電子部品を用いたプロトタイプシステムは,最先端のグラフィックス処理ユニットの性能を超越している。
論文 参考訳(メタデータ) (2020-08-26T16:34:58Z)
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。