技術(shù)特征：

1.基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述上采樣操作采用基于“area”插值的上采樣方法，所述上采樣方法通過對輸入圖像進(jìn)行區(qū)域插值，計算每個像素點的鄰域平均值，從而生成與原圖像大小匹配的上采樣圖像。

3.根據(jù)權(quán)利要求1所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述光學(xué)衍射計算的步驟包括：

4.根據(jù)權(quán)利要求3所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述角譜傳遞函數(shù)為預(yù)設(shè)的角譜濾波函數(shù)，其根據(jù)輸入圖像的頻域特征，針對不同的振幅和相位信息進(jìn)行加權(quán)，調(diào)節(jié)頻域信號的傳播特性，從而增強(qiáng)或抑制特定頻率成分，得到調(diào)制后的頻域信號。

5.根據(jù)權(quán)利要求1所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述電子神經(jīng)網(wǎng)絡(luò)使用深度卷積神經(jīng)網(wǎng)絡(luò)resnet50進(jìn)行特征提取。

6.根據(jù)權(quán)利要求5所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)resnet50包括多個殘差模塊，每個殘差模塊由至少兩層卷積層組成，并通過跳躍連接將輸入信號與輸出信號相加。

7.根據(jù)權(quán)利要求1所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述方法還包括：基于圖像分類結(jié)果計算損失并進(jìn)行模型訓(xùn)練。

8.根據(jù)權(quán)利要求7所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述計算損失的步驟采用交叉熵?fù)p失函數(shù)，該損失函數(shù)根據(jù)圖像分類結(jié)果的預(yù)測概率與真實標(biāo)簽之間的差異計算損失值，其中，所述預(yù)測概率通過對網(wǎng)絡(luò)輸出進(jìn)行softmax激活得到，交叉熵?fù)p失函數(shù)通過對每個類別的預(yù)測概率取對數(shù)并與真實標(biāo)簽進(jìn)行乘法操作，最終計算整個數(shù)據(jù)集的總損失。

9.根據(jù)權(quán)利要求7所述的基于光電混合計算架構(gòu)的圖像分類方法，其特征在于，所述基于圖像分類結(jié)果計算損失并進(jìn)行模型訓(xùn)練，具體包括以下步驟：

10.基于光電混合計算架構(gòu)的圖像分類系統(tǒng)，用于執(zhí)行如權(quán)利要求1-9任一項所述的方法，其特征在于，包括：

技術(shù)總結(jié)
本申請涉及計算機(jī)視覺和人工智能領(lǐng)域，公開了基于光電混合計算架構(gòu)的圖像分類方法及系統(tǒng)，方法包括以下步驟：接收輸入圖像并進(jìn)行預(yù)處理，通過光學(xué)衍射計算對圖像進(jìn)行光學(xué)變換以提取光學(xué)特征，并將提取后的光學(xué)特征經(jīng)光電轉(zhuǎn)換模塊轉(zhuǎn)化為電信號；電子神經(jīng)網(wǎng)絡(luò)模塊接收光電轉(zhuǎn)換后的數(shù)據(jù)，并采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取與分類預(yù)測；最終，通過損失計算與優(yōu)化模塊計算分類損失，并利用優(yōu)化算法調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)，以提高分類精度。本發(fā)明通過光學(xué)計算與電子計算相結(jié)合，減少了電子計算負(fù)擔(dān)，提高了計算效率，并降低了功耗，同時，該方法兼容現(xiàn)有深度學(xué)習(xí)框架，適用于大規(guī)模數(shù)據(jù)分類、實時目標(biāo)識別等多個應(yīng)用場景。

技術(shù)研發(fā)人員：范有福,隋娟,白冰,李婉晴
受保護(hù)的技術(shù)使用者：光子算數(shù)（北京）科技有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15