出品人：Towhee 技术团队 张晨、顾梦佳
光学成像通常用于工业界和学术界的迷信和技术利用。光学神经网络 (Optical neural networks，ONN) 提供了一个在模仿、光学畛域解决数据的平台。然而，基于 ONN 的传感器仅限于线性解决，但非线性是深度的先决条件，多层神经网络在许多工作上显著优于浅层神经网络。 目前的技术曾经胜利实现了用于图像传感的多层 ONN 预处理器，应用商业图像增强器作为并行光电、光到光非线性激活函数。 非线性 ONN 预处理器能够实现高达 800:1 的压缩比，同时依然能够在多个具备代表性的计算机视觉工作中实现高精度，包含机器视觉基准测试、流式细胞术图像分类和实在物体辨认场景。试验发现，ONN 的非线性和深度使其优于纯线性 ONN 编码器。这些 ONN 传感器能够通过在空间、工夫和 / 或光谱维度上预处理光学信息来超过传统传感器，可能具备相干和量子品质，所有这些都在光学域中进行。
A multilayer optical-neural-network encoder as a frontend for image sensing
ONN 通过间接成像与光学编码进行图像传感。在传统的图像传感中，图像由相机收集，并通常应用神经网络 (NN) 进行解决，以提取一小段相干信息，例如限速或标记文本。光神经网络 (ONN) 编码器不是将场景的残缺图像间接地再现到传感器阵列上，而是对图像进行预处理，仅压缩和提取其最终应用所需的图像信息，从而容许更小的（更少的像素）传感器阵列。
相干材料：
- 论文链接：https://arxiv.org/abs/2207.14…