衍射光学网络的集成学习
神经与进化计算
2021-01-12 v1 计算机视觉与模式识别
机器学习
图像与视频处理
光学
摘要
在光学与光子学领域，大量研究进展得益于利用机器学习的力量。具体而言，由于光学计算硬件在并行化、功耗效率和计算速度方面对机器学习任务的潜在优势，其兴趣得以复兴。衍射深度神经网络（D2NNs）构成了这样一种光学计算框架，它受益于连续衍射层的基于深度学习设计，以在输入光通过这些被动层衍射时全光地处理信息。D2NNs 已在各种任务中展示成功，包括例如物体分类、信息的谱编码、光学脉冲整形与成像等。在此，我们利用特征工程与集成学习显著提升了衍射光学网络的推理性能。在独立训练了总共 1252 个以多种被动输入滤波器多样化设计的 D2NNs 后，我们应用剪枝算法来选择一个优化的 D2NNs 集成，以集体提升其图像分类精度。通过该剪枝，我们在数值上证明 N=14 和 N=30 的 D2NNs 集成在 CIFAR-10 测试图像分类上分别达到 61.14% 和 62.13% 的盲测试精度，相比各集成内单个 D2NNs 的平均性能提供了 >16% 的推理提升。这些结果构成了迄今任何衍射光学神经网络设计在同一数据集上达到的最高推理精度，并可能为扩展衍射光学图像分类与机器视觉系统的应用空间提供显著飞跃。
引用
@article{arxiv.2009.06869,
title = {Ensemble learning of diffractive optical networks},
author = {Md Sadman Sakib Rahman and Jingxi Li and Deniz Mengu and Yair Rivenson and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2009.06869},
year = {2021}
}
备注
22 Pages, 4 Figures, 1 Table