Classement complet de l'image dans le temps nanoseconde en utilisant les réseaux de neurones artificiels, est devenu une réalité.
Récemment, le Dr Lukas photon Autriche Mennel Institute de l'Université de Technologie de Vienne, qui a développé une vision de la machine ultra-haut débit - est capteur d'image du réseau de neurones, les dizaines de traitement d'image de vitesse des temps.
Heure locale le 4 Mars, 2020, l'équipe mentionnée ci-dessus intitulée vision machine ultra-rapide avec des capteurs d'image matériel 2D réseau de neurones documents de recherche (matériau à deux dimensions basée sur la vision de la machine ultra-rapide capteur d'image du réseau de neurones) publié dans le magazine « Nature » (Nature) sur.
Lei Feng réseau a appris, l'équipe de conception d'équipements de traitement de l'information visuelle au cerveau, comme, 40 ns peuvent distinguer deux images différentes.
En même temps l'acquisition et l'analyse des images des réseaux de neurones artificiels
la compréhension humaine visuelle des moyens les plus importants du monde, inspirés par la « vision machine » au cours des dernières années dans l'ascendant.
La vision que l'on appelle, consiste à utiliser des machines à la place des yeux humains ne mesure et juge. Cependant, la vision de la machine ne prolonge pas simplement l'oeil humain, il faisait partie des fonctions du cerveau onze extraites de l'image, le processus, de comprendre l'information, de sorte que la mesure réelle et le contrôle.
Sur la technologie de vision de la machine elle-même, qui est le principal processus - pixels de la caméra à balayage progressif et convertit l'image vidéo en un signal numérique, et il transmet ensuite à un ordinateur pour l'analyse.
Mais là où il y a un problème, parce que le mouvement entre le capteur et l'unité de traitement, l'information est souvent traitée avec des quantités rapidement importantes de données, la prise de décision, qui est retardé la vision machine souvent visage.
Compte tenu des facteurs ci-dessus, l'équipe de recherche introduit simultanément disponible dans un réseau d'analyse capteur d'image et de l'image de neurones artificiels (réseau de neurones artificiels, ANN).
En parlant de réseaux de neurones artificiels, en fait, il est un modèle de calcul, un grand nombre de noeuds (neurones également appelés) qui sont reliés entre eux. Dans lequel, en tant que noyau des neurones recevoir et traiter des données, elle joue un rôle important dans la reconnaissance d'image, robot intelligent, commande automatique, un champ de prédiction d'estimation.
Plus précisément, le réseau de neurones artificiels peut ajuster à plusieurs reprises la force de la connexion entre les neurones, ou « synapses » et voir si le modèle actuel de comportement peut mieux résoudre le problème, donc savoir quel modèle est le meilleur des solutions informatiques. Ensuite, ce modèle de réseau de neurones artificiels sera réglé sur des valeurs par défaut, d'imiter le processus d'apprentissage du cerveau humain.
En fait, le jour où le magazine « Nature » Nouvelles et la colonne Vues a également publié (calculé dans la vision de la machine du capteur) le commentaire du Dr Yang Chai Hong Kong Polytechnic University capteur informatique pour la vision de la machine.
Dans son article, le Dr Yang Chai ci-dessous cette image montre clairement la différence entre les deux modes de traitement visuel:
-
Son procédé classique visuel (section inférieure figure a): collecter des signaux de capteurs par convertisseur analogique-numérique (ADC) convertit le signal analogique en un signal numérique d'entrée au réseau neuronal artificiel amplifié externe, le réseau neuronal est formé paramètres de réglage. couche d'entrée du réseau de neurones reçoit le signal codé d'un simple éléments physiques (ligne de points), puis ces signaux sont optimisés pour la fonction intermédiaire (forme simple), pour finalement former une image (forme 3D) dans la couche de sortie;
-
Procédé de détection d'image de l'équipe Lukas Mennel (partie basse figure b): un capteur d'interconnexion (carré sur le dessin) sur la puce de collecte des signaux, et un réseau neuronal artificiel en tant que caractéristiques simples, de réduire la redondance des données entre le capteur et le circuit externe du mobile .
Les réseaux de neurones composé d'une diode électroluminescente
Retour elle-même la recherche, le capteur est une photodiode sensiblement réseau de neurones, à savoir une matrice carrée de neuf pixels, chaque pixel comporte trois diodes. En outre 2D matériau photosensible qui est du tungstène semi-conducteur diséléniure (WSe2), ce matériau ayant une régulation sensible de lumière.
Pendant ce temps, la sensibilité de la diode correspond à des poids du réseau neuronal, et son poids est directement intégré sur le capteur d'image.
Flux de travail spécifique suit: lorsque l'image est projetée sur la puce produira, en combinaison, une variété de diode de lecture en cours. Matrice fournit une simulation - pour chaque photodiode est proportionnelle à l'intensité de la lumière incidente pour générer un courant de sortie, et selon la loi de Kirchhoff (les règles de base du courant dans le circuit) le long de la ligne ou colonne de la sommation de courant . Ensuite, le tableau a commencé la formation.
On apprend que le courant produit et le courant prédit par le tableau: la différence entre (Lei net Notez que pour une tâche donnée, si le tableau d'image de réponse correcte, le courant généré appelé prédiction) sera également analysé, et le prochain ajustement du cycle de formation des poids synaptiques.
Deux morphologie et la fonction Neural
En outre, l'équipe de recherche montre deux morphologie nerveuse et la fonction en fonction de l'algorithme de réseau de neurones.
On est « classé ». 3 × 3 matrice de pixels de l'image peut être classée en trois lettres n, v, z, après que le capteur d'image peut être formé « correspondant au circuit de mesure de courant est égal à zéro » identification alphanumérique standard en fonction du temps en nanosecondes ( la figure sous d). On apprend que, si la taille du tableau augmente proportionnellement, peut également identifier l'image plus complexe.
Le second est « codage automatique ». Même la présence d'un signal sonore, la principale caractéristique des images d'apprentissage, le réseau de neurones peut être généré après une représentation simplifiée du traitement d'image.
Mais Lei Feng réseau a également appris que le système a de nombreuses limites, telles que:
-
Difficile à imagerie dans un environnement sombre;
-
La conception nécessite une tension élevée, consomment de grandes quantités d'énergie;
-
Sa grande surface nécessaire pour la production de semi-conducteurs, le traitement difficile;
-
Le maximum de traitement seulement 3 × 3 image.
Mais Mennel l'un des auteurs, explique le Dr Lukas:
Notre capteur d'image de travail ne consomme aucune énergie lorsque les photons sont détectés comme lui-même être mis sous tension en cours. La technologie traditionnelle de vision industrielle est généralement capable de traiter 100 images par seconde, et plus le système peut traiter 1000 images par seconde, mais notre système peut traiter 20 millions d'images par seconde.
Visibles, bien que les nouvelles technologies ont débarqué plus ou moins de restrictions, mais le système en termes de consommation d'énergie et la vitesse a vraiment une bonne performance, le Dr Yang Chai dans son article a également affirmé cette technologie:
Cette technique ne se limite pas à un système de vision, qui peut être utilisé pour auditives, tactiles ou sens olfactif. Ce développement du système intelligent, ainsi que l'arrivée du réseau sans fil à haute vitesse 5G, prenez le temps réel (faible latence) futur calcul bord possible.
références:
https://www.nature.com/articles/s41586-020-2038-x#Fig15
https://www.nature.com/articles/d41586-020-00592-6
https://spectrum.ieee.org/tech-talk/computing/hardware/image-neural
