Fugu-MT 論文翻訳(概要): DAD vision: opto-electronic co-designed computer vision with division adjoint method

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

Computational metaoptics for imaging [3.105460926371459]
計算メタ光学(Computational Metaoptics)は,地表面の物理的波面形成能力と高度な計算アルゴリズムを組み合わせることで,従来の限界を超えて画像性能を向上させる。メタ曲面を物理プレコンディショナーとして扱い、エンド・ツー・エンド(逆)設計で再構成アルゴリズムと共設計することにより、光学ハードウェアと計算ソフトウェアを協調的に最適化することができる。位相イメージングや量子状態測定など、計算メタ光学によって実現された高度な応用が強調されている。
論文参考訳（メタデータ） (2024-11-14T02:13:25Z)
Transferable polychromatic optical encoder for neural networks [13.311727599288524]
本稿では,画像キャプチャ中に3つの色チャネルで同時に畳み込みを行う光学エンコーダを実演する。このような光学符号化は計算処理を24,000倍に削減し、自由空間光学系における最先端の分類精度(73.2%)が得られる。
論文参考訳（メタデータ） (2024-11-05T00:49:47Z)
Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文参考訳（メタデータ） (2024-09-21T04:39:45Z)
Optical training of large-scale Transformers and deep neural networks with direct feedback alignment [48.90869997343841]
我々は,ハイブリッド電子フォトニックプラットフォーム上で,ダイレクトフィードバックアライメントと呼ばれる多目的でスケーラブルなトレーニングアルゴリズムを実験的に実装した。光処理ユニットは、このアルゴリズムの中央動作である大規模ランダム行列乗算を最大1500テラOpsで行う。我々は、ハイブリッド光アプローチの計算スケーリングについて検討し、超深度・広帯域ニューラルネットワークの潜在的な利点を実証する。
論文参考訳（メタデータ） (2024-09-01T12:48:47Z)
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 gradient-based model-free optimization [2.2407602847819827]
モンテカルロ勾配推定アルゴリズムに基づく勾配に基づくモデルフリー最適化(G-MFO)手法を提案する。 G-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。 G-MFO は MNIST と FMNIST のハイブリッドトレーニングより優れていることを示す。
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)
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)
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)

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。