[论文解读] Convolutional Networks for Image Processing by Coupled Oscillator Arrays

Dmitri E. Nikonov, Ian A. Young+1 more|arXiv (Cornell University)|Sep 15, 2014

Advanced Memory and Neural Computing参考文献 32被引用 7

一句话总结

本文提出一种基于耦合压控振荡器（VCO）的脉冲神经形态计算方法，通过近似戈勃滤波器实现卷积图像处理。通过将图像片段和滤波器转换为电压信号，系统利用弱耦合VCO阵列中的频率同步来检测特征匹配，最优性能在中等Q因子下实现，展示了相较于传统CNN的硬件高效替代方案。

ABSTRACT

A coupled oscillator array is shown to approximate convolutions with Gabor filters for image processing tasks. Pixelated image fragments and filter functions are converted to voltages, differenced, and input into a corresponding array of weakly coupled Voltage Controlled Oscillators (VCOs). This is referred to as Frequency Shift Keying (FSK). Upon synchronization of the array, the common node amplitude provides a metric for the degree of match between the image fragment and the filter function. The optimal oscillator parameters for synchronization are determined and favor a moderate value of the Q-factor.

研究动机与目标

• 开发一种用于图像处理的硬件高效模拟替代方案，以替代深度卷积神经网络。
• 探索耦合VCO阵列作为实现卷积运算的物理基础。
• 研究振荡器同步如何编码图像片段与滤波器函数之间的相似性。
• 确定最优VCO参数（尤其是Q因子），以在模式匹配中实现最大检测精度。
• 展示在振荡器阵列中使用频移键控（FSK）进行图像特征提取的可行性。

提出的方法

• 将图像片段和戈勃滤波器函数转换为电压信号，输入弱耦合的压控振荡器（VCO）阵列。
• 系统通过差分输入电压并将其馈入各个VCO，实现频移键控（FSK）。
• 通过弱耦合实现VCO阵列的同步，公共节点的振幅反映输入与滤波器之间的匹配程度。
• 通过集体振幅测量的同步程度，作为卷积相似性的度量指标。
• 通过仿真推导最优振荡器参数，重点关注Q因子对性能的影响。
• 该方法利用非线性动力学与集体同步实现模式识别，无需显式矩阵乘法。

实验结果

研究问题

• RQ1 耦合的VCO阵列能否在图像处理中通过戈勃滤波器近似实现卷积运算？
• RQ2 VCO阵列的同步程度与图像片段和滤波器函数之间的匹配度之间有何相关性？
• RQ3 该系统中VCO的最优参数（尤其是Q因子）是什么，以实现最大检测精度？
• RQ4 在耦合振荡器中使用频移键控（FSK）在多大程度上能复现卷积神经网络的功能？
• RQ5 该系统的性能如何随不同滤波器和图像片段配置而变化？

主要发现

• 耦合VCO阵列通过同步检测图像片段与戈勃滤波器之间的相似性，成功近似实现了卷积运算。
• 同步阵列中公共节点的振幅可作为匹配程度的可靠度量，实现有效的特征检测。
• 中等Q因子下实现最优性能，表明同步过程中选择性与鲁棒性之间达到平衡。
• 该系统表明，模拟的、基于振荡器的计算可在无需传统数字计算的情况下实现类似卷积的处理。
• 该方法具有能效高且可扩展的优点，暗示其在低功耗神经形态硬件实现中的潜力。
• 结果验证了使用耦合非线性振荡器作为模式识别与图像处理基础的可行性。