基于衍射神经网络的时间推移图像分类

衍射深度神经网络（D2NN）定义了一种全光学计算框架，由空间设计的无源表面组成，这些表面通过调制传播光的振幅和/或相位来集体处理光学输入信息。衍射光学网络以光在薄衍射体积中传播的速度完成计算任务，无需任何外部计算能力，同时利用光学的海量并行性。衍射网络已被证明能够实现物体的全光学分类并执行通用线性变换。在此，我们首次展示了一种使用衍射网络的“时间推移”图像分类方案，通过利用输入物体与衍射网络之间相对的横向运动，显著提升了其对复杂输入物体的分类准确率和泛化性能。在不同背景下，物体和/或相机的此类相对运动常用于图像超分辨率应用；受其成功启发，我们设计了一种时间推移衍射网络，以受益于由受控或随机横向位移产生的互补信息内容。我们从数值上探索了时间推移衍射网络的设计空间与性能极限，在CIFAR-10数据集上物体光学分类的盲测准确率达到了62.03%。这是迄今为止使用单一衍射网络在CIFAR-10数据集上实现的最高推理准确率。时间推移衍射网络将广泛适用于使用全光学处理器对输入信号进行时空分析。