Fugu-MT 論文翻訳(概要): All-Optical Segmentation via Diffractive Neural Networks for Autonomous Driving

論文の概要: All-Optical Segmentation via Diffractive Neural Networks for Autonomous Driving

arxiv url: http://arxiv.org/abs/2602.07717v1
Date: Sat, 07 Feb 2026 21:47:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:24.773834
Title: All-Optical Segmentation via Diffractive Neural Networks for Autonomous Driving
Title（参考訳）: 自律運転のための回折ニューラルネットワークによる全光学セグメント化
Authors: Yingjie Li, Daniel Robinson, Cunxi Yu,
Abstract要約: 自律運転アプリケーションにおけるRGB画像分割と車線検出のための新しい全光学計算フレームワークを提案する。実験により,CityScapesデータセットにおける画像分割のためのDONNシステムの有効性を実証した。室内トラックデータを用いた車線検出のケーススタディを行い,CARLAにおける運転シナリオをシミュレートした。
参考スコア（独自算出の注目度）: 10.582217646354
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic segmentation and lane detection are crucial tasks in autonomous driving systems. Conventional approaches predominantly rely on deep neural networks (DNNs), which incur high energy costs due to extensive analog-to-digital conversions and large-scale image computations required for low-latency, real-time responses. Diffractive optical neural networks (DONNs) have shown promising advantages over conventional DNNs on digital or optoelectronic computing platforms in energy efficiency. By performing all-optical image processing via light diffraction at the speed of light, DONNs save computation energy costs while reducing the overhead associated with analog-to-digital conversions by all-optical encoding and computing. In this work, we propose a novel all-optical computing framework for RGB image segmentation and lane detection in autonomous driving applications. Our experimental results demonstrate the effectiveness of the DONN system for image segmentation on the CityScapes dataset. Additionally, we conduct case studies on lane detection using a customized indoor track dataset and simulated driving scenarios in CARLA, where we further evaluate the model's generalizability under diverse environmental conditions.
Abstract（参考訳）: セマンティックセグメンテーションと車線検出は自律運転システムにおいて重要な課題である。従来のアプローチはディープニューラルネットワーク(DNN)に大きく依存しており、これは大規模なアナログ-デジタル変換と、低レイテンシでリアルタイムな応答に必要な大規模画像計算による高エネルギーコストが原因である。 DNN(Diffractive Optical Neural Network)は、エネルギー効率において、デジタルまたは光電子コンピューティングプラットフォームにおける従来のDNNよりも有望な優位性を示している。光速での光回折による全光画像処理により、DONNは計算エネルギーコストを削減し、全光符号化と計算によるアナログ-デジタル変換に伴うオーバーヘッドを低減する。本研究では,自動運転アプリケーションにおけるRGB画像分割と車線検出のための新しい全光学計算フレームワークを提案する。実験により,CityScapesデータセットにおける画像分割のためのDONNシステムの有効性を実証した。さらに,CARLAにおける車線検出のケーススタディを行い,多様な環境条件下でのモデルの一般化性を更に評価する。

関連論文リスト

Online unsupervised Hebbian learning in deep photonic neuromorphic networks [10.099714133516608]
フォトニックニューロモルフィックネットワーク(PNN)は光の固有の利点、すなわち高い並列性、低レイテンシ、例外的なエネルギー効率を利用する。本稿では,オンライン・教師なし学習を可能にする,純粋にフォトニックな深層PNNアーキテクチャを提案する。市販の光ファイバープラットフォームを用いた非自明な文字認識タスクにおいて,本手法を実験的に実証し,100%の認識率を実現する。
論文参考訳（メタデータ） (2026-01-29T20:26:36Z)
Streamlined optical training of large-scale modern deep learning architectures 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、30ワット以下の1500テラオプスで大規模なランダム行列乗算を行う。トレーニング時間の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に対するハイブリッド光電子アプローチ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)
Efficient Visual State Space Model for Image Deblurring [99.54894198086852]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。提案したEVSSMは、ベンチマークデータセットや実世界の画像に対する最先端の手法に対して好意的に機能する。
論文参考訳（メタデータ） (2024-05-23T09:13:36Z)
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)
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)
Image sensing with multilayer, nonlinear optical neural networks [4.252754174399026]
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。
論文参考訳（メタデータ） (2022-07-27T21:00:31Z)
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)
Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-12-06T23:45:58Z)
Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文参考訳（メタデータ） (2021-03-15T12:54:26Z)
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)
Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。