跳到主要内容
返回时间线
arXiv来源发表:

衍射光学网络不再预设输出图案:弱监督让手写字符按文字系统自组织,训练步数少约82%

核心概要

衍射光学神经网络通常先把每个类别指定到固定探测区域,再让光场去复现这一预设输出。新加坡科技设计大学与新加坡国立大学团队改用文字系统级别的粗粒度标签,以改进的对比目标只约束样本间关系,让手写梵文、阿拉伯文和英文的光学表示自行聚成三类。三层结构在共享训练终点上平均测试准确率为93.4%,对照的监督式光学网络为84.7%,且达到84.5%稳定准确率所需训练步数约为后者的18%。

Source-provided article image: Optical Representation Neural Networks Enabled by Weakly Supervised Learning
Figure 1 · arXiv · 第 6 页

深度剖析

光学网络输出的组织方式改由数据关系决定,而不是由训练前指定的类别到位置映射决定。 此前的衍射光学网络在训练前就规定好期望的输出强度分布,每个类别对应固定的探测区域或输出位置,光场只负责复现这一映射。 在相同网络结构、训练数据、批大小、优化器和学习率下,三层光学表示网络在共享训练终点取得93.4%的平均测试准确率,随机指定三类输出位置的监督式光学网络为84.7%,每种方法各跑9次。

训练目标只比较样本之间的相似性,同一文字系统的字符被拉近,不同文字系统被推开,输出位置不被指定。 改进的对比目标作用在特征向量上,这些向量由输出光强按空间网格分块、取每格平均强度得到,因此损失只约束样本间关系。 在5×5分块下,三层网络达到84.5%稳定测试准确率需要467±85步,监督式网络需要2534±309步,均为9次运行的均值±标准差,稳定定义为连续5次评估达到该阈值。

启示与展望

实验验证以单层衍射网络和5×5分块配置为主,三层结构的结果来自数值仿真;实测的1200个光强分布给出约84%的文字系统级分类准确率,对应单层数值模型约91%。4×4和6×6分块下的实验结果列在补充材料中,说明不同分块配置下也能在实验上识别出按文字系统的语义组织。

从数值到实验的性能下降可能来自相位离散化、制作偏差、光学校准、背景散射和探测器噪声;单层结构便于制作和对准,但光场变换自由度少于三层,表示能力下降且收敛更慢;语义加密重建的像素准确率约为72%、68%和87%,受表示波动与下游解码误差影响,仍属概念验证。