设计强大的衍射神经网络,改进横向转移容忍度
概括
我们开发了一种方法来设计可承受定位错误的衍射神经网络 (DNN). 这种方法确保了可靠的图像分类,即使在光学射元件 (DOE) 移位的情况下.
科学领域:
- 光学和光子学 在光学和光子学.
- 机器学习 机器学习
- 计算机成像成像技术
背景情况:
- 衍射神经网络 (DNN) 为图像分类提供了一个有前途的方法.
- 衍射光学元件 (DOE) 的定位错误可以显著降低DNN的性能.
- 强大的DNN设计对于实际应用至关重要.
研究的目的:
- 提出一种新的方法来设计DNN,这些DNN本质上是坚固的,能够承受构成DOE的横移.
- 开发一种基于梯度的训练方法,以考虑DNN设计期间的定位错误.
- 为了证明拟议方法在分类手写数字中的有效性.
主要方法:
- 代表分类错误作为一个功能依赖于DOE相位函数和横移向量的函数.
- 使用这个函数的数学预期作为基于梯度的DNN计算的错误函数.
- 采用蒙特卡洛方法来计算衍生值,相当于随机DOE横移轮班的训练.
主要成果:
- 对于错误函数导数的明确表达式被导出.
- 根据拟议的方法设计的DNN显示出对DOE横向转移的稳定性.
- 在可见波长下成功对手写数字进行了分类.
结论:
- 拟议的梯度方法使得DNN的设计能够对DOE横向转移具有稳定性.
- 设计的DNN即使有显著的横向转移 (最多17个波长),也保持了良好的性能.
- 这项工作有助于开发可靠和实用的衍射光学计算系统.
