衍射光学神经网络中类特定差分检测提升推理精度
神经与进化计算
2019-08-14 v2 机器学习
图像与视频处理
光学
摘要
衍射深度神经网络此前已被提出作为一种光学机器学习框架，其使用经深度学习设计的任务特定衍射表面来全光学地执行推理，在对象分类和成像方面取得了有前景的性能。在此，我们展示了基于差分测量技术的衍射光学神经网络的系统性改进，该技术缓解了光强的非负性约束。在该方案中，每个类别被分配到一个位于衍射网络之后的独立光电探测器对，并通过最大化探测器对之间的归一化信号差来进行类别推理。此外，利用光学系统固有的并行化能力，我们通过将每个类别的光路划分为两个联合训练的并行衍射神经网络，减少了各类正负探测器间的信号耦合。我们进一步利用这种并行化方法，将单个类别划分到多个联合训练的差分衍射神经网络中。使用这种在联合优化衍射网络中的类特定差分检测，我们的仿真在 MNIST、Fashion-MNIST 和灰度 CIFAR-10 数据集上分别实现了 98.52%、91.48% 和 50.82% 的测试准确率。类似于机器学习中使用的集成方法，我们也独立优化了多个差分衍射网络，将其光光学投影到公共探测器平面上，并分别在 MNIST、Fashion-MNIST 和灰度 CIFAR-10 上实现了 98.59%、91.06% 和 51.44% 的测试准确率。通过这些在衍射神经网络设计上的系统性进展，所报道的分类准确率确立了全光学神经网络设计的最先进水平。
引用
@article{arxiv.1906.03417,
title = {Class-specific Differential Detection in Diffractive Optical Neural Networks Improves Inference Accuracy},
author = {Jingxi Li and Deniz Mengu and Yi Luo and Yair Rivenson and Aydogan Ozcan},
journal= {arXiv preprint arXiv:1906.03417},
year = {2019}
}
备注
21 pages, 6 Figures, 3 Tables