CN114255387B - 一种全光非线性卷积神经网络的图像识别方法 - Google Patents
一种全光非线性卷积神经网络的图像识别方法 Download PDFInfo
- Publication number
- CN114255387B CN114255387B CN202111623333.6A CN202111623333A CN114255387B CN 114255387 B CN114255387 B CN 114255387B CN 202111623333 A CN202111623333 A CN 202111623333A CN 114255387 B CN114255387 B CN 114255387B
- Authority
- CN
- China
- Prior art keywords
- optical
- neural network
- convolution
- convolutional neural
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003287 optical effect Effects 0.000 claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 17
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 239000002356 single layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明公开了一种全光非线性卷积神经网络的图像识别方法，解决现有技术中传统的基于相位光栅的光学卷积神经网络系统与装置，无法有效的提取丰富的图像数据特征，致使分类正确率较低、难以应用于多种应用场景的技术问题。本发明的方法，构建多层光学卷积神经网络模型，包括设计光学卷积核结构、卷积核数量、光学计算方法和光学卷积特征图，进而采用Adam优化算法对多层光学卷积神经网络进行优化；然后，设计基于空间光调制器(Spatial Light Modulator,SLM)的卷积复用结构，实现深层光学卷积神经网络计算；最后，利用激光器、扩束镜、DMD、透镜、CCD、计算机硬件，设计基于空间光调制器的光学卷积神经网络装置。可广泛应用于光学和深度学习技术领域。
Description
技术领域
本发明涉及光学和深度学习技术领域，具体为一种全光非线性卷积神经网络的图像识别方法。
背景技术
深度卷积神经网络作为深度学习中最活跃的方法之一，在计算机视觉、自然语言处理、语音识别等领域取得了重要的成果。深度卷积神经网络是一种包含有多层非线性变换的层级机器学习模型，具有高维度特征提取能力，其训练与预测过程需要大量的矩阵运算，因此，深度神经网络计算成本高、硬件功耗高、且需要足够的存储空间。
光学计算具有速度快、高带宽、高互联和高并行性处理能力，已经成为硬件实现深度神经网络的方案之一。其中，利用光学计算实现卷积神经网络具有代表性的成果是来自于斯坦福大学的常博士，提出的基于光学方式的单层卷积神经网络模型，该模型已应用于图像识别，其成果以论文的形式发表于Scientific Reports期刊。然而，该方法仅提出了全光单层卷积神经网络系统与装置，其网络并非深层卷积神经网络，该结构无法有效的提取丰富的图像数据特征，致使分类正确率较低。同时，该方法采用基于相位光栅方式的光学参数调制方案，其参数无法灵活配置，难以应用于多种应用场景。
因此，鉴于现有技术中存在的缺陷，本发明提出一种基于空间光调制器的光学卷积神经网络系统与装置实现的全光非线性卷积神经网络的图像识别方法。
发明内容
本发明的目的包括两个：(1)为了解决基于相位光栅方式的光学卷积神经网络无法调整相位参数，而导致系统应用场景受限；(2)为了解决目前系统与装置无法实现深层卷积神经网络结构。基于以上两个目的，本发明提供一种基于空间光调制器的全光非线性卷积神经网络的图像识别方法。
为了实现上述目的，本发明采用的技术方案如下：
一种全光非线性卷积神经网络的图像识别方法，包括以下几个步骤：
步骤1：设计深层光学卷积神经网络模型、光学卷积神经网络计算方法、光学卷积核结构；
步骤2：根据步骤1，设计光学卷积神经网络模型优化目标函数，采用Adam优化算法对模型进行优化；
步骤3：根据步骤1设计的深层光学卷积神经网络结构与步骤2优化的卷积核参数，设计基于空间光调制器(SLM)构建的深层卷积神经网络复用卷积层计算方案；
步骤4：利用激光器、扩束镜、空间光调制器、DMD、透镜、CCD、计算机硬件，设计基于空间光调制器的光学卷积神经网络装置。
在上述方法中，步骤1具体步骤如下：
步骤11：在光学系统中，光学卷积神经网络利用光学4f系统实现卷积计算，输入图像由物平面输入经过4f系统得到的输出可表示为：
Iout(x，y)＝Iin(x，y)★PSF(x，y)
式中PSF为4f系统的点扩散函数；
经过光学4f系统频谱面进行调制实现空域卷积可视为图像与1个卷积核进行的卷积运算，为了实现多个卷积核操作，需对PSF进行设计，以实现输入图像频谱与多个卷积核频谱相乘，其PSF计算公式表示为：
式中A和B为卷积核频谱二维分布后的行列数，Δx和Δy为卷积核频谱偏移量，目的是使卷积核频谱相互之间不重叠，Γ为调整偏移量，保持PSF与光轴对齐；
基于PSF公式，光学卷积计算系统输出可表示为：
其中Wi为第i个卷积核；
步骤12：依据步骤11的PSF公式，光学卷积核在频谱面上采用二维排布，即平铺方式，多层光学卷积网络是由多个二维排列卷积核频谱面构成，其中卷积核频谱图行列均匀分布。
上述方案中，步骤具体步骤如下：
步骤21：本发明采用空间光调制器方式调制相位，因此，需要对系统频谱面上的相位调制器件的参数进行优化，使相位调制器件对系统频谱面的调制实现系统PSF，而相位调制器件对系统频谱面的调制采用孔径传递函数(ATF)，其为复数函数，具有实部和虚部，实部代表对振幅的调制，虚部代表对相位的调制，其公式表示为：
为了简化计算，减少光传输过程中的损耗，设A＝1，不调制振幅，只调制相位，可直接采用空间光调制器对相位进行调制，ATF与PSF之间关系的表示为：
式中为二维傅里叶变换，/>表示空间频率，λ为光的波长，f为透镜焦距；
依据以上公式，光学卷积神经网络模型优化目标函数可以转化为ATF的优化问题，表示为：
式中||·||F表示为Frobenius范数，Φ表示待优化的相位参数，采用Adam算法迭代优化得到相位调制器件所需的最优相位参数。
上述方案中，步骤3具体步骤如下：
步骤31：光学卷积神经网络为深层网络结构，采用空间光调制器(SLM)对网络相位进行调制，空间光调制器通过液晶分子调制光场的某个参量。本发明使用SLM改变液晶单元的电压完成对折射率的改变，进而对应着改变相位调制量，相位调制量为优化的卷积核参数值；然后，通过将DMD、SLM、CCD等采集的信息在计算机中形成闭环，进而实现光学卷积层复用的效果。
上述方案中，步骤4，利用激光器、扩束镜、空间光调制器、DMD、透镜、CCD、计算机硬件，设计基于空间光调制器的光学卷积神经网络装置，具体步骤如下：
步骤41：首先，激光器发出光束，传送至扩束镜，光束经过扩束镜扩束后，形成直径足够覆盖SLM面的光束，然后，光束照射于DMD上，其光束中的信息加载于DMD上，即光束经过DMD调制后，其反射光束携带了输入图像信息；最后，DMD按照一定角度将光束反射传送至4f系统，光束经过透镜L1后在频谱面展开，进而形成输入图像的空间频谱，SLM对频谱进行调制，调制后的频谱由透镜L2进行重建，进而由像平面后的CCD采集重建信息。
本发明提供了一种全光非线性卷积神经网络的图像识别方法。具备以下有益效果：
(1)本发明的全光非线性卷积神经网络的图像识别方法，能够灵活配置相位参数，适用不同场景应用；
(2)本发明的全光非线性卷积神经网络的图像识别方法，空间光调制器能够使4f系统得以复用，实现深层光学卷积神经网络计算。
附图说明
图1本发明的光学卷积4f系统示意图；
图2为本发明的光学卷积计算示意图；
图3本发明所设计的复用卷积层计算方案图；
图4本发明所设计的基于空间光调制器的光学卷积神经网络装置图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-4，本发明提供一种技术方案：
本发明提供的全光非线性卷积神经网络的图像识别方法，基于空间光调制器的光学卷积神经网络系统与装置，该系统为4层光学卷积神经网络，每层卷积核数量为4个，然后，设计光学卷积计算方法与光学卷积特征图，进而采用Adam优化算法对光学卷积神经网络进行优化；设计基于空间光调制器的卷积复用计算方案，实现深层光学卷积神经网络计算流程；最后，利用激光器、扩束镜、DMD、透镜、CCD、计算机硬件，设计基于空间光调制器的光学卷积神经网络装置。
本实例具体步骤如下：
步骤1：设计光学卷积神经网络模型、光学卷积神经网络计算方法、光学卷积核结构；
步骤11：本实例深层光学卷积神经网络为4层卷积结构，每层卷积核数量为4个。
步骤12：在光学系统中，光学卷积神经网络利用光学4f系统实现卷积计算，如图1所示，输入图像由物平面输入经过4f系统得到的输出可表示为：
Iout(x，y)＝Iin(x，y)★PSF(x，y)
式中PSF为4f系统的点扩散函数。
经过光学4f系统频谱面进行调制实现空域卷积可视为图像与1个卷积核进行的卷积运算，为了实现多个卷积核操作，需对PSF进行设计，以实现输入图像频谱与多个卷积核频谱相乘，其PSF计算公式表示为：
式中A和B为卷积核频谱二维分布后的行列数，如图2所示，Δx和ΔΔy为卷积核频谱偏移量，目的是使卷积核频谱相互之间不重叠，Γ为调整偏移量，保持PSF与光轴对齐。
基于PSF公式，光学卷积计算系统输出可表示为：
其中Wi为第i个卷积核。
步骤2：根据步骤1，设计光学卷积神经网络模型优化目标函数，采用Adam优化算法对模型进行优化；
步骤21：本发明采用空间光调制器方式调制相位，因此，需要对系统频谱面上的相位调制器件的参数进行优化，使相位调制器件对系统频谱面的调制实现系统PSF，而相位调制器件对系统频谱面的调制采用孔径传递函数(ATF)，其为复数函数，具有实部和虚部，实部代表对振幅的调制，虚部代表对相位的调制，其公式表示为：
本发明中为了简化计算，减少光传输过程中的损耗，设A＝1，不调制振幅，只调制相位，可直接采用空间光调制器对相位进行调制。ATF与PSF之间关系的表示为：
式中为二维傅里叶变换，，/>表示空间频率，λλ为光的波长，f为透镜焦距。
依据以上公式，光学卷积神经网络模型优化目标函数可以转化为ATF的优化问题，表示为：
式中||||·||F表示为Frobenius范数，Φ表示待优化的相位参数，采用Adam算法迭代优化得到相位调制器件所需的最优相位参数。
步骤3：根据步骤1设计的深层光学卷积神经网络结构与步骤2优化的卷积核参数，设计基于空间光调制器(SLM)构建的深层卷积神经网络复用卷积层计算方案；
步骤31：本发明采用空间光调制器(SLM)对网络相位进行调制，空间光调制器通过液晶分子调制光场的某个参量。本发明使用SLM改变液晶单元的电压完成对折射率的改变，进而对应着改变相位调制量，相位调制量为优化的卷积核参数值。然后，通过将DMD、SLM、CCD采集的信息在计算机中形成闭环，进而实现光学卷积层复用的效果，具体流程如下：
如图3所示，实例的每层卷积核数量为4个，光束传送至DMD，其图像I1到I4的信息加载于DMD上，即光束经过DMD调制后，其光束携带了输入图像信息，然后，光束传送至透镜L1，经过L1后光束传送至SLM中，其配置的卷积核参数为待优化参数，且所有卷积核与图像相同的通道平铺得到，如输入图像的第一个通道I1传送至光学卷积层，SLM中配置的卷积核参数应为所有4个卷积核的作用后的信息图即I1*k1，I2*k2，I3*k3和I4*k4平铺。进一步，光束经过透镜L2，完成光学卷积计算过程，其光束信息由CCD采集，其对应至输出特征图f1，f2，f3和f4四个通道的数据，按照同样的过程完成其他三个通道输入图像的卷积计算过程，便可在计算机中得到所有卷积核对应的特征图的所有通道信息；最后，将每个通道上对应位置的特征图相加，获得所有卷积核对应的特征图。因此，基于该过程，能够完成了对多通道输入图像的一次卷积过程，如要进行多次卷积过程，那么，可以将特征图与输入图像，通过分通道方式，逐个送入光学卷积层，然后，在计算机中计算其结果，即可完成整个卷积计算过程。
步骤4：利用激光器、扩束镜、空间光调制器、DMD、透镜、CCD、计算机硬件，设计基于空间光调制器的光学卷积神经网络装置。
步骤41：如图4所示，本发明所设计的基于空间光调制器的光学卷积神经网络装置，该装置由激光器、扩束镜、空间光调制器、DMD、透镜、CCD、计算机硬件组成，其工作流程为：激光器发出光束，传送至扩束镜，光束经过扩束镜扩束后，形成直径足够覆盖SLM面的光束，然后，光束照传送至DMD，其光束中的信息加载于DMD上，即光束经过DMD调制后，其反射光束携带了输入图像信息；最后，DMD按照一定角度将光束反射传送至4f系统，光束经过透镜L1后在频谱面展开，进而形成输入图像的空间频谱，SLM对频谱进行调制，调制后的频谱由透镜L2进行重建，进而由像平面后的CCD采集重建信息。
综上，本发明的一种全光非线性卷积神经网络的图像识别方法，能够灵活配置相位参数，适用不同场景应用；空间光调制器能够使4f系统得以复用，实现深层光学卷积神经网络计算。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种全光非线性卷积神经网络的图像识别方法，其特征在于，包括以下几个步骤：
步骤1：设计深层光学卷积神经网络模型、光学卷积神经网络计算方法、光学卷积核结构；
步骤2：根据步骤1，设计光学卷积神经网络模型优化目标函数，采用Adam优化算法对模型进行优化；所述步骤2具体步骤如下：
步骤21：采用空间光调制器方式调制相位，因此，需要对系统频谱面上的相位调制器件的参数进行优化，使相位调制器件对系统频谱面的调制实现系统PSF，而相位调制器件对系统频谱面的调制采用孔径传递函数（ATF），其为复数函数，具有实部和虚部，实部代表对振幅的调制，虚部代表对相位的调制，其公式表示为：
，
为了简化计算，减少光传输过程中的损耗，设A=1，不调制振幅，只调制相位，可直接采用空间光调制器对相位进行调制，ATF与PSF之间关系的表示为：
，
式中为二维傅里叶变换，/>，/>表示空间频率，/>为光的波长，/>为透镜焦距；
依据以上公式，光学卷积神经网络模型优化目标函数可以转化为ATF的优化问题，表示为：
，
式中表示为Frobenius范数，Φ表示待优化的相位参数，采用Adam算法迭代优化得到相位调制器件所需的最优相位参数；
步骤3：根据步骤1设计的深层光学卷积神经网络结构与步骤2优化的卷积核参数，设计基于空间光调制器（SLM）构建的深层卷积神经网络复用卷积层计算方案；
步骤4：利用激光器、扩束镜、空间光调制器、DMD、透镜、CCD、计算机硬件，设计基于空间光调制器的光学卷积神经网络装置。
2.根据权利要求1所述的一种全光非线性卷积神经网络的图像识别方法，其特征在于，所述步骤1具体步骤如下：
步骤11：在光学系统中，光学卷积神经网络利用光学4f系统实现卷积计算，输入图像由物平面输入经过4f系统得到的输出可表示为：
，
式中PSF为4f系统的点扩散函数；
经过光学4f系统频谱面进行调制实现空域卷积可视为图像与1个卷积核进行的卷积运算，为了实现多个卷积核操作，需对PSF进行设计，以实现输入图像频谱与多个卷积核频谱相乘，其PSF计算公式表示为：
，
式中A和B为卷积核频谱二维分布后的行列数，和/>为卷积核频谱偏移量，目的是使卷积核频谱相互之间不重叠，/>为调整偏移量，保持PSF与光轴对齐；
基于PSF公式，光学卷积计算系统输出可表示为：
，
其中为第/>个卷积核。
3.根据权利要求2所述的一种全光非线性卷积神经网络的图像识别方法，其特征在于，其还包括步骤12：依据步骤11的PSF公式，光学卷积核在频谱面上采用二维排布，即平铺方式，多层光学卷积网络是由多个二维排列卷积核频谱面构成，其中卷积核频谱图行列均匀分布。
4.根据权利要求1所述的一种全光非线性卷积神经网络的图像识别方法，其特征在于，所述步骤3具体步骤如下：
步骤31：光学卷积神经网络为深层网络结构，采用空间光调制器（SLM）对网络相位进行调制，空间光调制器通过液晶分子调制光场的某个参量；
使用SLM改变液晶单元的电压完成对折射率的改变，进而对应着改变相位调制量，相位调制量为优化的卷积核参数值；然后，通过将DMD、SLM、CCD采集的信息在计算机中形成闭环，进而实现光学卷积层复用的效果。
5.根据权利要求1所述的一种全光非线性卷积神经网络的图像识别方法，其特征在于，所述步骤4具体步骤如下：
步骤41：首先，激光器发出光束，传送至扩束镜，光束经过扩束镜扩束后，形成直径足够覆盖SLM面的光束，然后，光束照射于DMD上，其光束中的信息加载于DMD上，即光束经过DMD调制后，其反射光束携带了输入图像信息；最后，DMD按照一定角度将光束反射传送至4f系统，光束经过透镜L1后在频谱面展开，进而形成输入图像的空间频谱，SLM对频谱进行调制，调制后的频谱由透镜L2进行重建，进而由像平面后的CCD采集重建信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623333.6A CN114255387B (zh) | 2021-12-28 | 2021-12-28 | 一种全光非线性卷积神经网络的图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623333.6A CN114255387B (zh) | 2021-12-28 | 2021-12-28 | 一种全光非线性卷积神经网络的图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114255387A CN114255387A (zh) | 2022-03-29 |
| CN114255387B true CN114255387B (zh) | 2024-05-14 |
Family
ID=80798364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111623333.6A Active CN114255387B (zh) | 2021-12-28 | 2021-12-28 | 一种全光非线性卷积神经网络的图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114255387B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200126881A (ko) * | 2019-04-30 | 2020-11-09 | 한국과학기술원 | 점 확산 함수 레이어를 가진 뉴럴 네트워크를 이용한 현미경 영상 처리 방법 및 그 장치 |
| CN112699917A (zh) * | 2020-12-11 | 2021-04-23 | 北京信息科技大学 | 一种非线性光学卷积神经网络的图像识别方法 |
| CN113780258A (zh) * | 2021-11-12 | 2021-12-10 | 清华大学 | 一种光电计算光场智能深度分类方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112041857A (zh) * | 2018-03-27 | 2020-12-04 | 巴伊兰大学 | 光学神经网络单元以及光学神经网络配置 |
| CN111832721A (zh) * | 2019-04-15 | 2020-10-27 | 香港科技大学 | 全光学神经网络 |
-
2021
- 2021-12-28 CN CN202111623333.6A patent/CN114255387B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200126881A (ko) * | 2019-04-30 | 2020-11-09 | 한국과학기술원 | 점 확산 함수 레이어를 가진 뉴럴 네트워크를 이용한 현미경 영상 처리 방법 및 그 장치 |
| CN112699917A (zh) * | 2020-12-11 | 2021-04-23 | 北京信息科技大学 | 一种非线性光学卷积神经网络的图像识别方法 |
| CN113780258A (zh) * | 2021-11-12 | 2021-12-10 | 清华大学 | 一种光电计算光场智能深度分类方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114255387A (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahman et al. | Ensemble learning of diffractive optical networks | |
| Luo et al. | Design of task-specific optical systems using broadband diffractive neural networks | |
| Chakravarthula et al. | Wirtinger holography for near-eye displays | |
| US11137719B2 (en) | Methods, systems, and computer readable media for improved digital holography and display incorporating same | |
| Xue et al. | Multiplexing encoding method for full-color dynamic 3D holographic display | |
| Zhang et al. | Elimination of a zero-order beam induced by a pixelated spatial light modulator for holographic projection | |
| Golan et al. | Speckle elimination using shift-averaging in high-rate holographic projection | |
| Memmolo et al. | Numerical manipulation of digital holograms for 3-D imaging and display: an overview | |
| Maurer et al. | Depth of field multiplexing in microscopy | |
| US10585394B2 (en) | Method for encoding a hologram in a light modulation device | |
| Kang et al. | Phase extraction neural network (PhENN) with coherent modulation imaging (CMI) for phase retrieval at low photon counts | |
| KR20160017489A (ko) | 홀로그램 생성 방법 및 장치 | |
| Nam et al. | Aberration-corrected full-color holographic augmented reality near-eye display using a Pancharatnam-Berry phase lens | |
| Rahman et al. | Universal linear intensity transformations using spatially incoherent diffractive processors | |
| Guillon et al. | Vortex-free phase profiles for uniform patterning with computer-generated holography | |
| Işıl et al. | Super-resolution image display using diffractive decoders | |
| CN214201971U (zh) | 一种控制啁啾皮尔斯高斯涡旋光束聚焦深度和强度的系统 | |
| Kozacki et al. | Fourier rainbow holography | |
| Zhang et al. | Three-dimensional holographic parallel focusing with feedback control for femtosecond laser processing | |
| Yuan et al. | Training large-scale optoelectronic neural networks with dual-neuron optical-artificial learning | |
| JP6762171B2 (ja) | データ作成装置、光制御装置、データ作成方法、及びデータ作成プログラム | |
| Liu et al. | Investigating deep optics model representation in affecting resolved all-in-focus image quality and depth estimation fidelity | |
| Yolalmaz et al. | Comprehensive deep learning model for 3D color holography | |
| CN114255387B (zh) | 一种全光非线性卷积神经网络的图像识别方法 | |
| US11327330B2 (en) | 3D diffractive optics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |