卷積全光學神經網路 AI成像的革命性進步



卷積全光學神經網路 AI成像的革命性進步


卷積神經網路(Convolutional Neural Networks, CNN)憑藉其卓越的影像辨識能力,在人工智慧領域尤其是在ChatGPT等平台中表現出色。近日,中國上海理工大學的研究團隊成功將CNN的概念引入光學領域,實現了卷積全光神經網路,為AI成像技術帶來了革命性的進步。


編譯/高晟鈞




卷積神經網路(Convolutional Neural Networks, CNN)憑藉其卓越的影像辨識能力,在人工智慧領域尤其是在ChatGPT等平台中表現出色。近日,中國上海理工大學的研究團隊成功將CNN的概念引入光學領域,實現了卷積全光神經網路,為AI成像技術帶來了革命性的進步。





卷積全光學神經網路 AI成像的革命性進步
中國上海理工大學的研究團隊成功將CNN的概念引入光學領域,實現了卷積全光神經網路,為AI成像技術帶來了革命性的進步。(圖/截取自中國上海理工大學 官網)



更多新聞: 卷積神經網絡 學習識別染色體缺陷




卷積神經網路




卷積神經網路,又被稱為CNN、ConvNets,是目前深度神經網路領域的發展主力,在圖片、影像的辨別能力上甚至比人類還要精準。卷積神經網路的靈感來自於動物視覺皮層組織的神經連接方式,單個神經元只對有限區域內的刺激作出反應,不同神經元的感知區域相互重疊從而覆蓋整個視野。與其他深度學習結構相比,卷積神經網路需要考量的參數更少,使之成為一種頗具吸引力的深度學習結構。




CNN技術可以從圖像中提取局部特徵,並逐層構造更複雜的特徵進行演算與辨識,大大推進了圖像處理和模式辨別領域的發展。然而,將卷積網路運算的概念應用到光學領域面臨將電訊號轉換為光訊號的挑戰。




向光學領域邁進




研究團隊所開發的超快速卷積全光學網路(Ultrafast convolutional optical neural network, ONN),由多個以光速運行的平行核心組成,能直接從散射光中提取特徵以進行快速影像重建,在光域進行卷積網路運算,消除了繁瑣的訊號轉換過程。




這種設計不僅大大提高了成像速度,顯著增強了影像質量,使得複雜散射環境下的成像成為可能。卷積ONN的計算速度達到每秒1.57萬兆運算次數(Peta Operations Per Second , POPS),為即時動態成像提供強大的支援。




除此之外,透過簡單調整網路結構,卷積ONN可以同時執行多種不同的影響處理,包括分類和重建,是光學人工智慧領域的一大革命。




這項研究的出現,不僅是卷積神經網路向光學領域邁進的一大步,也大大推進了AI技術發展的腳步。在不久的將來,卷積光學神經網路將在自動駕駛、機器人視覺和醫學成像方面發揮越來越重要的作用。




資料來源:TechXplore



這篇文章 卷積全光學神經網路 AI成像的革命性進步 最早出現於 科技島-掌握科技新聞、科技職場最新資訊



最新科技新聞
人氣科技新聞
行動版 電腦版