Обучаемая классификация в системах оптической корреляции

Предложена обучаемая структура, функционирующая на корреляционной плоскости и эффективно классифицирующая входные сигналы. Метод использует физическое преимущество оптического коррелятора и дискриминационную способность нейронной сети. Корреляционные карты формируются с помощью коррелятора Вандерлугта и обрабатываются двумя предлагаемыми моделями нейронных сетей. Метод исследован на наборах данных digit-MNIST и fashion-MNIST, а также на лабораторно подготовленном наборе данных с изображениями автомобилей. Оптическая корреляция представляет собой мощную парадигму для распознавания объектов благодаря своей врожденной параллельности и высокой скорости обработки. Тем не менее принятие решений на основе корреляционных плоскостей остается ограниченным, поскольку большинство оптических корреляторов в основном надежны для бинарной классификации, подтверждая лишь присутствие или отсутствие цели при наблюдении корреляционных пиков. Эта ограниченность становится особенно критичной, когда входные сигналы содержат несколько целей, поскольку традиционные подходы требуют обширного анализа корреляций с множеством эталонов, что делает процесс сложным и менее масштабируемым. Для решения этой задачи мы предлагаем обучаемую структуру, работающую непосредственно на корреляционной плоскости и эффективно классифицирующую запросы путем сочетания физического преимущества оптического коррелятора и дискриминационной способности нейронной сети. Насколько нам известно, этот основанный на обучении подход к корреляции уникально расширяет применимость оптических корреляторов за пределы бинарной классификации. Важно, что обучение сети непосредственно на корреляционных картах может снизить размерность по сравнению с исходными изображениями при сохранении дискриминационных признаков. В предлагаемом подходе корреляционные карты генерируются с использованием коррелятора Вандерлугта и затем анализируются двумя предлагаемыми моделями нейронных сетей, что обеспечивает устойчивую классификацию. Метод был оценен на digit-MNIST, fashion-MNIST и лабораторном наборе данных автомобилей с применением стандартных показателей качества, подтвердив высокую точность и прецизионность. Этот оптико-нейронный подход расширяет применимость оптических корреляторов для широкого круга практических приложений.