延时方案中的随机或受控物体偏移通过衍射光学网络改善图像分类
由于光学器件的大规模并行性和带宽，光学计算在机器学习应用中引起了广泛的兴趣。衍射网络提供了一种这样的计算范式，基于输入光在一组空间工程表面衍射时的变换，以光传播的速度执行计算，除了输入光束外，不需要任何外部电源。在众多其他应用中，衍射网络已被证明可以对输入对象进行全光学分类。
由Aydogan Ozcan教授领导的加州大学洛杉矶分校（UCLA）的研究人员引入了一种“延时”方案，以显着提高复杂输入物体上衍射光学网络的图像分类精度。研究结果发表在《先进智能系统》杂志上。
在该方案中，在输出检测器的曝光期间，物体和/或衍射网络相对于彼此移动。这种“延时”方案以前已用于实现超分辨率成像，例如，在安全摄像机中，通过摄像机的横向移动捕获场景的多个图像。
在该方案中，在输出检测器的曝光期间，物体和/或衍射网络相对于彼此移动。这种“延时”方案以前被用于实现超分辨率成像，例如，在安全摄像机中，通过摄像机的横向移动捕捉场景的多个图像。
从延时超分辨率成像的成功中汲取灵感，加州大学洛杉矶分校的研究人员利用“延时衍射网络”，在CIFAR-10图像的全光学分类上实现了超过62%的盲测试精度，CIFAR-10是一个公开的数据集，包含飞机、汽车、猫等的图像。他们的结果在时间静态衍射光学网络上实现了显著的改进。
同一研究小组先前演示了衍射网络的集成学习，其中多个衍射网络协同工作以提高图像分类精度。然而，随着时间推移方案的引入，有可能通过单个独立衍射网络超过超过15个网络的集成，从而显著减少衍射系统的占地面积，同时消除多个单独网络的物理对准和同步的复杂性。研究人员还探索了将集成学习纳入延时图像分类，这表明CIFAR-10图像分类的盲测试准确率超过65%。
对于所提出的延时分类方案的物理实现，最简单的方法将利用成像期间物体或衍射相机的自然抖动，并允许在不增加额外成本的情况下获得延时的好处，除了由于抖动期间检测器信号积分而导致的推断时间略有增加之外。
这项关于延时图像分类的研究证明了利用光学场的时间自由度进行光学计算，并向使用紧凑、低成本和无源材料的全光时空信息处理迈出了一大步。
