返回
Optical-Vortex-Convolution-Enhanced Neural Network
DOI:10.1002/lpor.202500927.png)
摘要
En 中文
光学-电子混合神经网络结合了光学计算的高带宽和高速处理能力以及电子计算的灵活性,具有一系列优势。然而,如何在实际系统中构建所需的光学操作层以实现可扩展的图像卷积和识别,特别是在红外图像方面,尚未得到充分探索,这对多个领域至关重要。本文构建了一种用于红外图像分类和识别的光学-电子混合卷积神经网络(CNN)。其关键组件是一种非线性多核涡旋滤波器,即光学卷积层,通过有效将复用涡旋光栅印刻在钛酸钾磷酸盐(KTP)晶体上实现。该非线性滤波器与傅里叶域中的和频产生(SFG)相结合,能够从红外输入图像中提取可见特征。通过将提取的特征输入电子全连接层,分别实现了手写数字识别和时尚图像识别99.08%和88.6%的分类准确率。这些结果与常规CNN的性能相当。该研究有望解决人工智能中的计算能力和能耗问题,为红外光谱的实际应用铺平道路。
Keyword:
infrared image recognition
optical-electronic hybrid neural networks
optical vortices
期刊
L
IF:
10
论文数:
3.7K
被引数:
2.1W
机构
引用论文
Compact optical convolution processing unit based on multimode interference基于多模干涉的紧凑型光学卷积处理单元
NATURE COMMUNICATIONS
IF15.7
Nonlinear Conformal Transformation for In Situ IR-Visible Detection of Orbital Angular Momentum轨道角动量原位红外-可见光探测的非线性保角变换
Meta-Optics Based Parallel Convolutional Processing for Neural Network Accelerator基于元光学的神经网络加速器并行卷积处理

