ترجمه فارسی مقاله آگاهی انسجام در شبکه های عصبی پراش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Coherence Awareness in Diffractive Neural Networks
عنوان مقاله به فارسی آگاهی انسجام در شبکه های عصبی پراش
نویسندگان Matan Kleiner, Lior Michaeli, Tomer Michaeli
فرمت مقاله انگلیسی PDF
تعداد صفحات 56
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Optics,Computer Vision and Pattern Recognition,Machine Learning,اپتیک , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 13 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Diffractive neural networks hold great promise for applications requiring intensive computational processing. Considerable attention has focused on diffractive networks for either spatially coherent or spatially incoherent illumination. Here we illustrate that, as opposed to imaging systems, in diffractive networks the degree of spatial coherence has a dramatic effect. In particular, we show that when the spatial coherence length on the object is comparable to the minimal feature size preserved by the optical system, neither the incoherent nor the coherent extremes serve as acceptable approximations. Importantly, this situation is inherent to many settings involving active illumination, including reflected light microscopy, autonomous vehicles and smartphones. Following this observation, we propose a general framework for training diffractive networks for any specified degree of spatial and temporal coherence, supporting all types of linear and nonlinear layers. Using our method, we numerically optimize networks for image classification, and thoroughly investigate their performance dependence on the illumination coherence properties. We further introduce the concept of coherence-blind networks, which have enhanced resilience to changes in illumination conditions. Our findings serve as a steppingstone toward adopting all-optical neural networks in real-world applications, leveraging nothing but natural light.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی پراکنده وعده های بزرگی را برای برنامه های نیاز به پردازش محاسباتی فشرده دارند.توجه قابل توجهی به شبکه های پراکنده برای روشنایی مکانی منسجم یا مکانی ناسازگار متمرکز شده است.در اینجا ما نشان می دهیم که ، بر خلاف سیستم های تصویربرداری ، در شبکه های پراکنده میزان انسجام مکانی اثر چشمگیری دارد.به طور خاص ، ما نشان می دهیم که وقتی طول انسجام مکانی روی جسم قابل مقایسه با حداقل اندازه ویژگی است که توسط سیستم نوری حفظ می شود ، نه افراطی و نه منسجم به عنوان تقریبی قابل قبول عمل می کنند.نکته مهم این است که این وضعیت ذاتی بسیاری از تنظیمات مربوط به روشنایی فعال است ، از جمله میکروسکوپ نور منعکس شده ، وسایل نقلیه خودمختار و تلفن های هوشمند.به دنبال این مشاهده ، ما یک چارچوب کلی برای آموزش شبکه های پراکنده برای هر درجه مشخص از انسجام مکانی و زمانی ، پشتیبانی از انواع لایه های خطی و غیرخطی را پیشنهاد می کنیم.با استفاده از روش ما ، ما شبکه ها را برای طبقه بندی تصویر به صورت عددی بهینه می کنیم و وابستگی عملکرد آنها را به خصوصیات انسجام روشنایی بررسی می کنیم.ما همچنین مفهوم شبکه های کور انسجام را معرفی می کنیم ، که باعث افزایش مقاومت در برابر تغییر در شرایط روشنایی شده اند.یافته های ما به عنوان سنگ پله ای برای اتخاذ شبکه های عصبی همه نوری در کاربردهای دنیای واقعی عمل می کند و چیزی جز نور طبیعی ندارد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.