ITMO
en/ en

ISSN: 1023-5086

en/

ISSN: 1023-5086

Научно-технический

Оптический журнал

Полнотекстовый перевод журнала на английский язык издаётся Optica Publishing Group под названием “Journal of Optical Technology“

Подача статьи Подать статью
Больше информации Назад

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

Ссылка для цитирования:

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

Ссылка на англоязычную версию:
-
Аннотация:

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.

Ключевые слова:

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