DOI: 10.17586/1023-5086-2025-92-02-87-95
УДК: 535.8+004.383.5+004.383.8+004.93'12
Обработка выходных сигналов корреляторов совместного преобразования с применением предварительно обученной свёрточной нейронной сети
Гончаров Д.С., Злоказов Е.Ю., Петрова Е.К., Стариков Р.С. Обработка выходных сигналов корреляторов совместного преобразования с применением предварительно обученной свёрточной нейронной сети // Оптический журнал. 2025. Т. 92. № 2. С. 87–95. http:// doi.org/10.17586/1023-5086-2025-92-02-87-95
Goncharov D.S., Zlokazov E.Yu., Petrova E.K., Starikov R.S. Processing the output signals of joint transform correlators using a pre-trained convolutional neural network [in Russian] // Opticheskii Zhurnal. 2025. V. 92. № 2. P. 87–95. http://doi.org/10.17586/1023-5086-2025-92-02-87-95
Предмет исследования. В работе представлены результаты исследования вариантов когерентного оптико-цифрового коррелятора совместного преобразования c нейросетевой постобработкой выходных сигналов. Цель работы. Экспериментальная апробация возможностей применения нейронной сети глубокого обучения для обработки сигналов оптико-цифрового дифракционного коррелятора совместного преобразования при решении задачи распознавания изображений. Метод. Для обработки выходных сигналов оптико-цифрового дифракционного коррелятора изображений применена свёрточная нейронная сеть. Размерность распознаваемых изображений на входе коррелятора 256×256 пикс, размерность фрагментов корреляционных функций, подаваемых на вход нейронной сети, 32×32 пикс. Обеспечиваемое таким образом снижение размерности данных позволяет сочетать скорость оптической обработки с гибкостью нейросетевого метода. Основные результаты. Реализовано два варианта макета коррелятора совместного преобразования на основе пространственно-временных модуляторов оптического излучения современных моделей: на основе микрозеркального модулятора и на основе жидкокристаллического модулятора. Для классификации сигналов корреляторов применена свёрточная нейронная сеть, предварительно обученная на корреляционных откликах, полученных численно с использованием инвариантных корреляционных фильтров, которые обеспечивают заданную характерную форму максимумов взаимокорреляционных функций и были синтезированы на наборах изображений, отличных от использованных при проведении экспериментов. Продемонстрировано, что в обоих случаях обработка сигналов коррелятора с помощью нейронной сети позволяет производить распознавание входных изображений. Практическая значимость. Результаты могут быть применены при построении систем оперативного распознавания изображений различного назначения.
коррелятор совместного преобразования, 1f коррелятор, распознавание изображений, свёрточная нейронная сеть, пространственно-временной модулятор оптического излучения
Благодарность:работа выполнена при финансовой поддержке Российского научного фонда (РНФ), грант № 23-12-00336
Коды OCIS: 070.4550, 070.5010, 100.1160, 100.3005, 100.3008, 100.4550, 100.5010, 100.4996, 200.4260
Список источников:1. Weaver C., Goodman J. Technique for optically convolving two functions // Appl. Opt. 1966. V. 5. P. 1248. https://doi.org/10.1364/AO.5.001248
2. Rau J. Detection of differences in real distributions // JOSA. 1966. V. 56. P. 1490. https://doi.org/10.1364/ JOSA.56.001490
3. Selected papers on optical pattern recognition using joint transform correlation. Bellingham, WA, USA: Alam M. SPIE, 1999. V. MS157. 658 p.
4. Vijaya Kumar B., Mahalanobis A., Juday R. Correlation pattern recognition. Cambridge UK: Cambridge University Press, 2005. 404 p.
5. Figue J., Refregier Ph., Rajbenbach H., Huignard J.-P. Neural optoelectronic correlator for pattern recognition // Proc. SPIE. 1991. V. 1564. P. 550. https://doi.org/10.1117/12.49757
6. Casasent D. An optical correlator feature extractor neural net system // Opt. Eng. 1992. V. 31. P. 971. https://doi.org/10.1117/12.57138
7. Dadeshidze V., Kompanets I., Lindunen I., Vasiliev A. Adaptive neuromorphic optical correlator with binary phase-only filters // Proc. SPIE. 1994. V. 2051. P. 426. https://doi.org/10.1117/12.166047
8. Javidi B., Li J., Tang Q. Optical implementation of neural networks for face recognition by the use of nonlinear joint transform correlators // Appl. Opt. 1995. V. 34. P. 3950. https://doi.org/10.1364/AO.34.003950
9. Barge M., Heggarty K., Idan Y., Chevallier R. 64-channel correlator implementing a Kohonen-like neural network for handwritten-digit recognition // Appl. Opt. 1996. V. 35. P. 4655. https://doi.org/10.1364/AO.35.004655
10. Lu T., Hughlett C., Zhou H., Chao T.-H., Hanan J. Neural network post-processing of grayscale optical correlator // Proc. SPIE. 2005. V. 5908. P. 590810. https://doi.org/10.1117/12.615573
11. Froehly L., Courvoisier F., Brunner D., Larger L., Devaux F., Lantz E., Dudley J., Jacquot M. Advancing Fourier: space-time concepts in ultrafast optics, imaging, and photonic neural networks // J. Opt. Soc. Am. A. 2019. V. 36. P. C69. https://doi.org/10.1364/JOSAA.36.000C69
12. Wetzstein G., Ozcan A, Gigan S., Fan S., Englund D., Soljačić M., Denz C., Miller D., Psaltis D. Inference in artificial intelligence with deep optics and photonics // Nature. 2020. V. 588. P. 39. https://doi.org/10.1038/s41586-020-2973-6
13. The multiply and Fourier transform unit: A microscale optical processor. White Pages. Updated: Wilson J. 12/12/2020. www.optalysys.com, ссылка взята 25.07.2024
14. Cartlidge E. Photonic computing for sale // Optics & Photonics News. 2023. V. 34. P. 26. https://www.optica-opn.org/home/articles/volume_34/january_2023/features/photonic_computing_for_sale/
15. Haijia Chen, Shaozhen Lou, Quan Wang, Peifeng Huang, Huigao Duan, Yueqiang Hu. Diffractive deep neural networks: Theories, optimization, and applications featured // Appl. Phys. Rev. 2024. V. 11. P. 021332. https://doi.org/10.1063/5.0191977
16. Birch P., Akter H., Young R., Chatwin C. Coherent correlator design analysis for the implementation of deep learning networks // J. Opt. Soc. Am. A. 2024. V. 41. P. 272. https://doi.org/10.1364/JOSAA.504956
17. Goncharov D., Starikov R. Improving correlation method with convolutional neural networks. arXiv:2004.09430 [cs.CV] (2020)
18. Shaulskiy D., Evtikhiev N., Zlokazov E., Starikov S., Starikov R., Petrova E., Molodtsov D. Variants of light modulation for MINACE filter implementation in 4-F correlators // Proc. SPIE. 2015. V. 9598. P. 95980T. https://doi.org/10.1117/12.2190700
19. Evtikhiev N., Shaulskiy D., Zlokazov E., Starikov R. Variants of minimum correlation energy filters: comparative study // Proc. SPIE. 2012. V. 8398. P. 83980G. https://doi.org/10.1117/12.919644