本公开提供了一种用于构建全光衍射神经网络的方法。该方法包括：确定关于待测对象的输入图像的任务属性，以便基于所确定的任务属性确定全光衍射神经网络的类型；基于所确定的全光衍射神经网络的类型，确定与全光衍射神经网络相关联的多个参数的值，多个参数包括像素大小、衍射距离和输入光波长；基于多个参数的值，确定关于全光衍射神经网络的菲涅尔数；以及响应于所确定的菲涅尔数在阈值区间内，根据多个参数的值来构建全光衍射神经网络，该全光衍射神经网络用于调制输入图像。本公开能够使得所构建的全光衍射神经网络的空间复杂度低，易实施且具有优异的性能。易实施且具有优异的性能。易实施且具有优异的性能。
【技术实现步骤摘要】
构建全光衍射神经网络的方法、设备、介质和识别装置
[0001]本公开的实施例总体上涉及光学衍射神经网络领域，并且更具体地，涉及一种用于构建全光衍射神经网络的方法、电子设备和存储介质，以及一种基于全光衍射神经网络的识别装置。
技术介绍
[0002]全光衍射神经网络包括输入层、一层或多层隐藏层和输出层。每一层隐藏层例如是包括多个栅格的光栅。光线经过当前光栅中的每一个栅格后，其相位会被不同厚度或不同折射率的栅格所调制，之后被下一层的所有栅格接收到。这种关系类似于神经网络模型，光栅中的每一个栅格相当于一个神经元
。
传统的用于构建全光衍射神经网络的方法例如是通过增加隐藏层的数量和每一层隐藏层内的神经元的数量以使得全光衍射神经网络的性能最优化。然而，复杂的空间结构使得全光衍射神经网络难以实施，且限制了神经网络的发展。
[0003]综上，上述传统的用于构建全光衍射神经网络的方法存在使得所构建的全光衍射神经网络的空间复杂度高、难以实施的不足之处。
技术实现思路
[0004]本公开提供了一种用于构建全光衍射神经网络的方法，使得所构建的全光衍射神经网络的空间复杂度低，易实施且具有优异的性能。
[0005]根据本公开的第一方面，提供了一种用于构建全光衍射神经网络的方法，该方法包括：确定关于待测对象的输入图像的任务属性，以便基于所确定的任务属性确定全光衍射神经网络的类型；基于所确定的全光衍射神经网络的类型，确定与全光衍射神经网络相关联的多个参数的值，多个参数包括像素大小、衍射距离和输入光波长；基于多个参数的值，确定关于全光衍射神经网络的菲涅尔数；以及响应于所确定的菲涅尔数在阈值区间内，根据多个参数的值来构建全光衍射神经网络，该全光衍射神经网络用于调制输入图像。
[0006]在一些实施例中，用于构建全光衍射神经网络的方法还包括：基于全光衍射神经网络的类型，确定菲涅尔数的阈值区间。具体地，响应于全光衍射神经网络为实空间全光衍射神经网络，确定菲涅尔数的阈值区间为第一阈值区间；以及响应于全光衍射神经网络为傅里叶空间全光衍射神经网络，确定菲涅尔数的阈值区间为第二阈值区间。其中，第一阈值区间与第二阈值区间不同，并且第二阈值区间是以0为下界限的开区间。
[0007]在一些实施例中，用于构建全光衍射神经网络的方法还包括：响应于所确定的菲涅尔数在阈值区间之外，调整多个参数中的至少一个参数的值，以使得基于调整后的参数的值所确定的菲涅尔数在阈值区间内。在一些实施例中，调整多个参数中的至少一个参数的值包括：调整所述衍射距离的值。
[0008]在一些实施例中，确定关于待测对象的光学图像的任务属性以便基于所确定的任务属性确定全光衍射神经网络的类型包括：确定关于待测对象的输入图像的任务属性，任
务属性为待测对象的识别、特征提取和边缘检测中的一种；响应于所确定的任务属性为待测对象的识别，确定全光衍射神经网络为实空间全光衍射神经网络；响应于所确定的任务属性为待测对象的特征提取或边缘检测，确定全光衍射神经网络为傅里叶空间全光衍射神经网络。
[0009]根据本公开的第二方面，提供了一种基于本公开的第一方面所描述的方法构建的全光衍射神经网络的识别装置，该装置包括：数字微镜器件、空间光调制器和相机。数字微镜器件被配置为形成关于待测对象的多个输入图像，以输入到空间光调制器中。空间光调制器被配置为基于全光衍射神经网络对多个输入图像进行调制，以得到输出图像。相机被配置为输出输出图像。
[0010]在一些实施例中，识别装置可用于待测对象的识别、特征提取和边缘检测中的至少一种。
[0011]根据本公开的第三方面，提供了一种电子设备。该电子设备包括至少一个处理单元和至少一个存储器。至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。该指令当由至少一个处理单元执行时使得电子设备执行本公开的第一方面的方法的步骤。
[0012]在本公开的第四方面，提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时使机器实现根据本公开的第一方面所描述的方法的步骤。
附图说明
[0013]通过参照附图的以下详细描述，本公开实施例的上述和其他目的、特征和优点将变得更容易理解。在附图中，将以示例以及非限制性的方式对本公开的多个实施例进行说明。
[0014]图1示出了根据本公开的实施例的用于构建全光衍射神经网络的系统的示意图。
[0015]图2示出了根据本公开的实施例的用于构建全光衍射神经网络的方法的流程图。
[0016]图3示出了根据本公开的实施例的基于所确定的任务属性确定全光衍射神经网络类型和菲涅尔数阈值区间的方法的流程图。
[0017]图4示出了根据本公开的实施例的基于全光衍射神经网络的识别装置的示意图。
[0018]图5示意性示出了适于用来实现本公开实施例的计算设备的框图。
具体实施方式
[0019]下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
[0020]在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
[0021]如前文所描述，传统的用于构建全光衍射神经网络的方法通过增加隐藏层的数量和每一隐藏层内的神经元的数量以使得全光衍射神经网络的性能最优化。然而，复杂的空间结构使得全光衍射神经网络难以实施，且限制了神经网络的发展。
[0022]为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于构建全光衍射神经网络的方法。该方法通过基于根据所确定的任务属性确定的全光衍射神经网络的类型确定的与全光衍射神经网络相关联的多个参数的值，确定关于全光衍射神经网络的菲涅尔数，并确定菲涅尔数在阈值区间内，以使得根据当前多个参数的值构建的全光衍射神经网络在具有最少隐藏层数的情况下具有优异的性能，避免由于多层隐藏层之间的不对齐导致的误差积累，从而使得所构建的全光衍射神经网络的空间复杂度低且容易实施。
[0023]图1示出了根据本公开的实施例的用于构建全光衍射神经网络的系统100的示意图。如图1所示，系统100可以包括计算设备110。
[0024]关于计算设备110，其例如用于实施构建全光衍射神经网络的方法。在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备上也可以运行着一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于构建全光衍射神经网络的方法，包括：确定关于待测对象的输入图像的任务属性，以便基于所确定的任务属性确定全光衍射神经网络的类型；基于所确定的全光衍射神经网络的类型，确定与所述全光衍射神经网络相关联的多个参数的值，所述多个参数包括像素大小、衍射距离和输入光波长；基于所述多个参数的值，确定关于所述全光衍射神经网络的菲涅尔数；以及响应于所确定的菲涅尔数在阈值区间内，根据所述多个参数的值来构建所述全光衍射神经网络，所述全光衍射神经网络用于调制所述输入图像。2.根据权利要求1所述的方法，还包括：基于所述全光衍射神经网络的类型，确定所述菲涅尔数的阈值区间。3.根据权利要求2所述的方法，其中，确定所述菲涅尔数的阈值区间包括：响应于所述全光衍射神经网络为实空间全光衍射神经网络，确定所述菲涅尔数的阈值区间为第一阈值区间；以及响应于所述全光衍射神经网络为傅里叶空间全光衍射神经网络，确定所述菲涅尔数的阈值区间为第二阈值区间，并且其中，所述第一阈值区间与所述第二阈值区间不同，并且所述第二阈值区间是以0为下界限的开区间。4.根据权利要求1所述的方法，还包括：响应于所确定的菲涅尔数在阈值区间之外，调整所述多个参数中的至少一个参数的值，以使得基于调整后的参数的值所确定的菲涅尔数在所述阈值区间内。5.根据权利要求4所述的方法，其中，调整所述多个参数中的至少一个参数的值包括：调整所述衍射距离的值。6.根据权利要求1所述的方法，其中，确定关于待测对象的光学图像的任务属性，以便基于所确定的任务属性确定全光衍射神经...
【专利技术属性】
技术研发人员：郑敏嘉，石磊，资剑，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。