期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
一种无需非线性结构的光学卷积神经网络
1
作者 江奔 张薇 许涛 《建模与仿真》 2024年第3期3851-3860,共10页
卷积神经网络在视觉处理方面具有独特的优势。最近的一些研究使用光学的卷积神经网络来实现更为快速和低功耗的图像处理系统。我们的工作提出了一种无需额外非线性结构的光学卷积神经网络,使用绝对值函数作为激活函数,设置了特定的三层... 卷积神经网络在视觉处理方面具有独特的优势。最近的一些研究使用光学的卷积神经网络来实现更为快速和低功耗的图像处理系统。我们的工作提出了一种无需额外非线性结构的光学卷积神经网络,使用绝对值函数作为激活函数,设置了特定的三层卷积神经网络,该网络对MNIST和Fashion-MNIST数据集的识别准确率与目前普遍使用的激活函数相差不大。通过对软件仿真与硬件仿真的结果进行对比,发现图像经过第一层卷积和非线性后的结果误差不超过2%,输出结果验证了我们的光学卷积神经网络对图像处理的有效性。这为实现高效可编程的光学卷积神经网络提供了可行方案。 展开更多
关键词 光学卷积神经网络 激活函数 马赫–曾德尔干涉仪
原文传递
光学卷积计算的进展与挑战(特邀)
2
作者 周浩军 周海龙 董建绩 《光学学报》 EI CAS CSCD 北大核心 2024年第15期366-381,共16页
卷积计算作为数学运算方法里的一项重要算子,在信号处理和人工智能领域有着重要的意义。卷积神经网络(CNN)作为深度学习领域最重要的网络之一,在计算机视觉和自然语言处理等领域取得了令人瞩目的成就。相比于传统集成电路在算力和能耗... 卷积计算作为数学运算方法里的一项重要算子,在信号处理和人工智能领域有着重要的意义。卷积神经网络(CNN)作为深度学习领域最重要的网络之一,在计算机视觉和自然语言处理等领域取得了令人瞩目的成就。相比于传统集成电路在算力和能耗方面遇到的阻碍,光子计算加速器成为未来人工智能领域架构的有力竞争者之一。近年来,基于光的高并行性、大带宽和低延时的特点,各式各样的光学卷积计算方案不断涌现,取得了一系列重要进展。本文从卷积计算的定义和卷积定理两个角度出发,对主流的光学卷积计算方案进行分析和讨论,并指出目前光学卷积计算发展面临的挑战,并对光学卷积计算的发展趋势进行了展望。 展开更多
关键词 光学卷积计算 深度学习 光子计算加速器 光学卷积神经网络
原文传递
Classification of hyperspectral images based on a convolutional neural network and spectral sensitivity 被引量:3
3
作者 Cheng-ming YE Xin LIU +3 位作者 Hong XU Shi-cong REN Yao LI Jonathan LI 《Journal of Zhejiang University-Science A(Applied Physics & Engineering)》 SCIE EI CAS CSCD 2020年第3期240-248,共9页
In recent years,deep learning methods have gradually come to be used in hyperspectral imaging domains.Because of the peculiarity of hyperspectral imaging,a mass of information is contained in the spectral dimensions o... In recent years,deep learning methods have gradually come to be used in hyperspectral imaging domains.Because of the peculiarity of hyperspectral imaging,a mass of information is contained in the spectral dimensions of hyperspectral images.Also,different ob jects on a land surface are sensitive to different ranges of wavelength.To achieve higher accuracy in classification,we propose a structure that combines spectral sensitivity with a convolutional neural network by adding spectral weights derived from predicted outcomes before the final classification layer.First,samples are divided into visible light and infrared,with a portion of the samples fed into networks during training.Then,two key parameters,unrecognized rate(δ)and wrongly recognized rate(γ),are calculated from the predicted outcome of the whole scene.Next,the spectral weight,derived from these two parameters,is calculated.Finally,the spectral weight is added and an improved structure is constructed.The improved structure not only combines the features in spatial and spectral dimensions,but also gives spectral sensitivity a primary status.Compared with inputs from the whole spectrum,the improved structure attains a nearly 2%higher prediction accuracy.When applied to public data sets,compared with the whole spectrum,on the average we achieve approximately 1%higher accuracy. 展开更多
关键词 Hyperspectral imaging Deep learning Convolutional neural network(CNN) Spectral sensitivity
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部