FatNet：基于全卷积光学神经网络的高分辨率核分类网络
计算机视觉与模式识别
2022-11-01 v1 图像与视频处理
摘要
本文描述了将传统计算机内分类网络转化为具有高分率特征图与核的光学全卷积神经网络。当利用自由空间4f系统加速神经网络推理速度时，可使用更高分辨率的特征图与核而不损失帧率。我们提出用于图像分类的FatNet，其比标准卷积分类器更契合自由空间加速。它通过在一个全卷积网络中同时完成卷积特征提取与分类器稠密层，而摒弃了标准的卷积特征提取与分类器稠密层组合。该方法充分利用4f自由空间系统中的并行性，并通过减少通道数、提高分辨率来降低电子与光学间转换次数，使网络在光学中比现成网络更快。为展示FatNet能力，其在GPU与4f系统模拟器上用CIFAR100数据集训练，随后与ResNet-18对比。结果显示卷积操作减少8.2倍，仅以精度降低6%为代价。这对于以高分辨率核训练深度学习、迈向即将到来的光学时代的方向而言是令人鼓舞的结果。
引用
@article{arxiv.2210.16914,
title = {FatNet: High Resolution Kernels for Classification Using Fully Convolutional Optical Neural Networks},
author = {Riad Ibadulla and Thomas M. Chen and Constantino Carlos Reyes-Aldasoro},
journal= {arXiv preprint arXiv:2210.16914},
year = {2022}
}