CN114676816A - 图像感知芯片 - Google Patents
图像感知芯片 Download PDFInfo
- Publication number
- CN114676816A CN114676816A CN202210206304.8A CN202210206304A CN114676816A CN 114676816 A CN114676816 A CN 114676816A CN 202210206304 A CN202210206304 A CN 202210206304A CN 114676816 A CN114676816 A CN 114676816A
- Authority
- CN
- China
- Prior art keywords
- electrodes
- image
- sensing chip
- image sensing
- photosensitive material
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000758 substrate Substances 0.000 claims abstract description 23
- 239000000463 material Substances 0.000 claims description 53
- 230000003287 optical effect Effects 0.000 claims description 23
- 230000000638 stimulation Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 239000004065 semiconductor Substances 0.000 claims description 7
- 239000002184 metal Substances 0.000 description 14
- 229910052751 metal Inorganic materials 0.000 description 14
- 230000006870 function Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 229910052697 platinum Inorganic materials 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 229910052814 silicon oxide Inorganic materials 0.000 description 2
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L27/00—Devices consisting of a plurality of semiconductor or other solid-state components formed in or on a common substrate
- H01L27/14—Devices consisting of a plurality of semiconductor or other solid-state components formed in or on a common substrate including semiconductor components sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation
- H01L27/144—Devices controlled by radiation
- H01L27/1446—Devices controlled by radiation in a repetitive configuration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Electromagnetism (AREA)
- Solid State Image Pick-Up Elements (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种图像感知芯片，包括：衬底；光电探测器阵列，包括形成在衬底上的多个光电探测器；其中，通过调节多个光电探测器的光响应度，以使多个光电探测器识别待识别图像时叠加输出相应的光电流。通过调节光电探测器阵列中的每个光电探测器的光响应度，使得多个光电探测器识别不同的待识别图像时叠加输出不同的光电流，通过检测光电探测器阵列叠加输出的光电流就可以识别待识别图像的形状。
Description
技术领域
本发明的至少一种实施例涉及一种图像感知芯片，尤其涉及一种感存算一体的图像感知芯片。
背景技术
为了促进人工智能技术的发展，存算一体硬件得到了快速的发展。存算一体架构解决了处理器与存储器分离所导致的计算效率低，功耗高的问题，突破了传统冯·诺依曼体系架构中的频繁数据传输造成的效率低下问题。然而，从整个信息采集处理流程考虑，目前获取外界的信息后，要经过模数采样量化存储，再传输给处理单元，在此过程中花费的时间和功耗都不可忽略。具有存算一体功能的器件同时具有信号传感功能将彻底解决信息获取和处理在空间上和时间上分开所带来的延时问题和功耗问题。图像感知芯片就是一种比较重要的感存算一体化芯片。
发明内容
有鉴于此，本发明提供一种图像感知芯片，以实现感存算一体化的功能，进而缓解图像获取和图像处理在空间上和时间上分开所带来的延时问题和功耗问题。
本发明提供一种图像感知芯片，包括：衬底；光电探测器阵列，包括形成在衬底上的多个光电探测器；其中，通过调节多个光电探测器的光响应度，以使多个光电探测器识别待识别图像时叠加输出相应的光电流。
在一些实施例中，多个光电探测器的光响应度为根据图像识别结果确定的，图像识别结果为利用训练完成的人工神经网络模型处理待识别图像的待识别图像数据得到的。
在一些实施例中，多个光电探测器的光响应度通过施加电刺激或光刺激来调节；其中，对光电探测器施加电刺激或光刺激，以使光电探测器的光响应度由初始值调节至目标值，且在光刺激或电刺激结束后，光电探测器的光响应度保持目标值不变。
在一些实施例中，对光电探测器施加反向的光刺激或反向的电刺激，以使光电探测器的光响应度由目标值调节至初始值。
在一些实施例中，反向的光刺激包括与光刺激波长不同的光刺激；反向的电刺激包括与电刺激极性相反的电刺激。
在一些实施例中，光电探测器阵列包括：多个底电极，形成在衬底上并沿第一方向延伸；多个顶电极，形成在多个底电极上并沿与第一方向不同的第二方向延伸；以及多个第一光敏材料层，分别形成在底电极与顶电极交叉的部位并位于底电极与顶电极之间。
在一些实施例中，第一方向与第二方向垂直。
在一些实施例中，相邻的两个底电极之间的距离为1～20μm。
在一些实施例中，顶电极为透明电极；顶电极的厚度为20～100nm。
在一些实施例中，光电探测器阵列包括：多个第一电极，形成在衬底上；多个绝缘薄膜，分别形成在多个第一电极上；多个第二电极，分别形成在多个绝缘薄膜上，第二电极的延伸方向与第一电极的延伸方向垂直；多个第二光敏材料层，形成在衬底上，且第二光敏材料层与第一电极、绝缘薄膜、第二电极电隔离；多个第三电极，其一端位于第二电极上，另一端位于第二光敏材料层上；多个第四电极，其一端位于第一电极上，另一端位于第二光敏材料层上。
在一些实施例中，第一光敏材料层包括半导体材料、钙钛矿材料或二维材料；第二光敏材料层包括半导体材料、钙钛矿材料或二维材料。
在一些实施例中，第一光敏材料层的厚度为1～1000nm；第二光敏材料层的厚度为1～1000nm。
根据本发明上述的实施例提供的图像感知芯片，通过调节光电探测器阵列中的每个光电探测器的光响应度，使得多个光电探测器识别不同的待识别图像时叠加输出不同的光电流，通过检测光电探测器阵列叠加输出的光电流就可以识别待识别图像的形状。
附图说明
图1为根据本发明实施例的图像感知芯片的示意图；
图2(a)-2(c)为根据本发明实施例的图像感知芯片的工作原理示意图；
图3为根据本发明实施例的图像感知芯片的光电探测器阵列的简易立体示意图；
图4为根据本发明的另一种实施例的图像感知芯片的光电探测器阵列的简易立体示意图；以及
图5为根据本发明实施例的图像感知芯片的制备工艺流程图。
【附图标记说明】
1-衬底；
2-光电探测器；
21-底电极；
22-第一光敏材料层；
23-顶电极；
24-第一电极；
25-绝缘薄膜；
26-第二电极；
27-第三电极；
28-第四电极；
29-第二光敏材料层。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。但是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。在附图中，为了清楚，层和区的尺寸以及相对尺寸可能被夸大，自始至终相同附图标记表示相同元件。
图1为根据本发明实施例的图像感知芯片的示意图。
根据本发明的一种示例性实施例，本发明提供一种图像感知芯片，参考图1所示，包括：衬底1；光电探测器阵列，包括形成在衬底1上的多个光电探测器2；其中，通过调节多个光电探测器2的光响应度，以使多个光电探测器2识别待识别图像时叠加输出相应的光电流。
根据本发明的实施例，衬底1为表面具有氧化硅或氮化硅的硅片；例如，衬底1可以为表面沉积有100nm厚的氧化硅的硅片。
根据本发明的实施例，衬底1可以为经过化学机械抛光的互补金属氧化物半导体芯片。
根据本发明的实施例，多个光电探测器2的光响应度通过施加电刺激或光刺激来调节；其中，对光电探测器2施加电刺激或光刺激，以使光电探测器2的光响应度由初始值调节至目标值，且在光刺激或电刺激结束后，光电探测器2的光响应度保持目标值不变。
根据本发明的实施例，对光电探测器2施加反向的光刺激或反向的电刺激，以使光电探测器2的光响应度由目标值调节至初始值。
根据本发明的实施例，反向的光刺激包括与光刺激波长不同的光刺激；反向的电刺激包括与电刺激极性相反的电刺激。
需要说明的是，光刺激或电刺激使光电探测器的光敏材料的原子排布或者电极与光敏材料的界面状态发生改变，进而使光电探测器的光响应度发生改变。
根据本发明的实施例，多个光电探测器2的光响应度为根据图像识别结果确定的，图像识别结果为利用训练完成的人工神经网络模型处理待识别图像的待识别图像数据得到的。
根据本发明的实施例，人工神经网络模型通过如下方式训练得到：利用人工神经网络模型处理样本图像的样本图像数据，得到预测图像识别结果。基于损失函数，根据与样本图像对应的预测图像识别结果和真实图像识别结果，确定输出值。根据输出值调整人工神经网络模型的模型参数，直至满足预定条件。将在满足预定条件的情况下得到的人工神经网络模型确定为训练完成的人工神经网络模型。预定条件可以包括以下至少一项：输出值收敛和训练轮次达到最大训练轮次。
根据本发明的实施例，根据训练完成的人工智能神经网络模型，处理待识别图像数据，得到图像识别结果。根据待识别图像的图像识别结果，确定光探测器阵列中的每个光探测器的光响应度。调节多个光电探测器的光响应度，使多个光电探测器识别待识别图像时叠加输出相应的光电流。
图2(a)-2(c)为根据本发明实施例的图像感知芯片的工作原理示意图。
参考图2(a)～2(c)所示，以光电探测器阵列包括4个光电探测器为例，对根据待识别图像的图像识别结果，确定光探测器阵列中的每个光探测器的光响应度，根据多个光电探测器各自的光响应度叠加输出相应的光电流进行说明。其中，每个光电探测器的光功率均为P。
当待识别图像为图2(b)所示的形状，将待识别图像照射到如图2(a)所示的光电探测器阵列上，根据图像识别结果确定4个光电探测器的光响度分别为R1、R2＝0、R3＝0、R4，在此情况下，光电探测器阵列叠加输出的光电流为(R1+0+0+R4)*P。当待识别图像为图2(c)所示的形状，将待识别图像照射到如图2(a)所示的光电探测器阵列上，根据图像识别结果确定4个光电探测器的光响度分别为R1＝0、R2、R3、R4＝0，在此情况下，光电探测器阵列叠加输出的光电流为(0+R2+R3+0)*P。
因此，当检测到光电探测器阵列输出的光电流为(R1+R4)*P时，即可判断待识别图像为图2(b)所示的形状；当检测到光电探测器叠加输出的光电流为(R1+R4)*P时，即可判断待识别图像为图2(c)所示的形状。
根据本发明的实施例，利用训练完成的人工神经网络模型确定多个光电探测器2的光响应度后，调节光电探测器阵列中的每个光电探测器2的光响应度，使得每个光电探测器2的光响应度为利用训练完成的人工神经网络模型确定的该光电探测器2的光响应度，由此，使得光电探测器阵列识别不同的待识别图像时叠加输出不同的光电流。
图3为根据本发明实施例的图像感知芯片的光电探测器阵列的简易立体示意图。
根据本发明的一种示例性实施例，参考图3所示，光电探测器阵列包括：多个底电极21，形成在衬底1上并沿第一方向延伸；多个顶电极23，形成在多个底电极21上并沿与第一方向不同的第二方向延伸；以及多个第一光敏材料层22，分别形成在底电极21与顶电极23交叉的部位并位于底电极21与顶电极23之间。
根据本发明的实施例，第一方向与第二方向垂直。
根据本发明的实施例，相邻的两个底电极21之间的距离为1～20μm，例如，可以为1μm、5μm、10μm、15μm、20μm。
根据本发明的实施例，底电极21包括第一金属层和第二金属层，且第一金属层和第二金属层的宽度相同。第一金属层为粘附层Ti，厚度为 1～10nm。第二金属层为Au或者Pt，厚度为10～30nm，宽度为1～10μm。
根据本发明的实施例，顶电极21为透明电极，例如可以为透明的ITO；顶电极21的厚度为20～100nm，宽度为1～10μm。
根据本发明的实施例，第一光敏材料22为图形化的光敏材料，包括半导体材料、钙钛矿材料或二维材料；第一光敏材料22设置在第二金属层上，其厚度为1～1000nm。
图4为根据本发明的另一种实施例的图像感知芯片的光电探测器阵列的简易立体示意图。
根据本发明的一种示例性实施例，参考图4所示，光电探测器阵列包括：多个第一电极24，形成在衬底1上；多个绝缘薄膜25，分别形成在多个第一电极24上；多个第二电极26，分别形成在多个绝缘薄膜25上，第二电极26的延伸方向与第一电极24的延伸方向垂直；多个第二光敏材料层29，形成在衬底1上，且第二光敏材料层29与第一电极24、绝缘薄膜25、第二电极26电隔离；多个第三电极27，其一端位于第二电极26 上，另一端位于第二光敏材料层29上；多个第四电极28，其一端位于第一电极24上，另一端位于第二光敏材料层29上。
根据本发明的实施例，第一电极24、第二电极26、第三电极27和第四电极28均包括第一金属层和第二金属层，且第一金属层和第二金属层的宽度相同。第一金属层为粘附层Ti，厚度为1～10nm；第二金属层为Au 或者Pt，厚度为10～30nm。
根据本发明的实施例，第一电极24和第二电极26的宽度为1～100μm，例如可以为1μm、10μm、30μm、50μm、100μm。第三电极27和第四电极28的宽度为1～10μm，例如可以为1μm、2μm、3μm、5μm、10μm。
根据本发明的实施例，第二光敏材料29为图形化的光敏材料，包括半导体材料、钙钛矿材料或二维材料；第二光敏材料29的厚度为1～1000nm。
需要说明的是，本发明对光电探测器阵列包括的光电探测器2的数量不做限制，可根据实际需要进行设置。
图5为根据本发明实施例的图像感知芯片的制备工艺流程图。
根据本发明的一种示例性实施例，本发明还提供一种上述的图像感知芯片的制备方法，参考图5所示，提供一衬底1，在衬底1上制作多个底电极21，在多个底电极21上制作多个第一光敏材料22，在多个第一光敏材料22上制作多个顶电极23。
根据本发明上述的实施例提供的图像感知芯片，利用训练完成的人工神经网络模型确定多个光电探测器的光响应度后，调节光电探测器阵列中的每个光电探测器的光响应度，使得每个光电探测器的光响应度为利用训练完成的人工神经网络模型确定的该光电探测器的光响应度，由此，使得多个光电探测器识别不同的待识别图像时叠加输出不同的光电流。通过检测光电探测器阵列叠加输出的光电流就可以识别待识别图像的形状。
根据本发明上述的实施例提供的图像感知芯片，多个光电探测器的光响应度通过施加电刺激或光刺激来调节，且在光刺激或电刺激结束后，光电探测器的光响应度保持目标值不变，在对待识别图像实现识别的同时，实现了待识别图像的存储。
根据本发明上述的实施例提供的图像感知芯片，能够同时实现图像的识别、图像的存储和光电探测器阵列的多个光电探测器的光响应度的计算功能，能够显著降低图像感知的功耗和延时，克服了现有的信息获取和信息处理在空间上和时间上分开所带来的延时问题和功耗问题，可广泛用于智能物联网。
需要说明的是，说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像感知芯片，其特征在于，包括：
衬底；
光电探测器阵列，包括形成在所述衬底上的多个光电探测器；
其中，通过调节多个所述光电探测器的光响应度，使多个所述光电探测器识别待识别图像时叠加输出相应的光电流。
2.根据权利要求1所述的图像感知芯片，其特征在于，多个所述光电探测器的光响应度为根据图像识别结果确定的，所述图像识别结果为利用训练完成的人工神经网络模型处理所述待识别图像的待识别图像数据得到的。
3.根据权利要求1所述的图像感知芯片，其特征在于，多个所述光电探测器的光响应度通过施加电刺激或光刺激来调节；
其中，对所述光电探测器施加电刺激或光刺激，以使所述光电探测器的光响应度由初始值调节至目标值，且在光刺激或电刺激结束后，所述光电探测器的光响应度保持所述目标值不变。
4.根据权利要求3所述的图像感知芯片，其特征在于，对所述光电探测器施加反向的光刺激或反向的电刺激，以使所述光电探测器的光响应度由所述目标值调节至所述初始值。
5.根据权利要求4所述的图像感知芯片，其特征在于，所述反向的光刺激包括与所述光刺激波长不同的光刺激；
所述反向的电刺激包括与所述电刺激极性相反的电刺激。
6.根据权利要求1所述的图像感知芯片，其特征在于，所述光电探测器阵列包括：
多个底电极，形成在所述衬底上并沿第一方向延伸；
多个顶电极，形成在多个所述底电极上并沿与第一方向不同的第二方向延伸；以及
多个第一光敏材料层，分别形成在所述底电极与所述顶电极交叉的部位并位于所述底电极与所述顶电极之间；
优选地，所述第一方向与所述第二方向垂直。
7.根据权利要求6所述的图像感知芯片，其特征在于，相邻的两个所述底电极之间的距离为1～20μm。
8.根据权利要求6所述的图像感知芯片，其特征在于，所述顶电极为透明电极；
所述顶电极的厚度为20～100nm。
9.根据权利要求1所述的图像感知芯片，其特征在于，所述光电探测器阵列包括：
多个第一电极，形成在所述衬底上；
多个绝缘薄膜，分别形成在多个所述第一电极上；
多个第二电极，分别形成在多个所述绝缘薄膜上，所述第二电极的延伸方向与所述第一电极的延伸方向垂直；
多个第二光敏材料层，形成在所述衬底上，且所述第二光敏材料层与所述第一电极、所述绝缘薄膜、所述第二电极电隔离；
多个第三电极，其一端位于所述第二电极上，另一端位于所述第二光敏材料层上；
多个第四电极，其一端位于所述第一电极上，另一端位于所述第二光敏材料层上。
10.根据权利要求6或9所述的图像感知芯片，其特征在于，所述第一光敏材料层包括半导体材料、钙钛矿材料或二维材料；
所述第二光敏材料层包括半导体材料、钙钛矿材料或二维材料；
优选地，所述第一光敏材料层的厚度为1～1000nm；
所述第二光敏材料层的厚度为1～1000nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210206304.8A CN114676816A (zh) | 2022-03-01 | 2022-03-01 | 图像感知芯片 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210206304.8A CN114676816A (zh) | 2022-03-01 | 2022-03-01 | 图像感知芯片 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114676816A true CN114676816A (zh) | 2022-06-28 |
Family
ID=82071899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210206304.8A Pending CN114676816A (zh) | 2022-03-01 | 2022-03-01 | 图像感知芯片 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114676816A (zh) |
-
2022
- 2022-03-01 CN CN202210206304.8A patent/CN114676816A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5153420A (en) | Timing independent pixel-scale light sensing apparatus | |
| Van der Spiegel et al. | A foveated retina-like sensor using CCD technology | |
| JP2809954B2 (ja) | 画像感知および処理のための装置および方法 | |
| US5717201A (en) | Double four-quadrant angle-position detector | |
| US5351309A (en) | Image edge sensor | |
| US20060076580A1 (en) | Image sensor with vertically integrated thin-film photodiode | |
| CN111626278B (zh) | 纹路识别装置以及纹路识别装置的操作方法 | |
| Lee et al. | In-sensor image memorization and encoding via optical neurons for bio-stimulus domain reduction toward visual cognitive processing | |
| JP3003311B2 (ja) | 指紋センサ | |
| US20230186060A1 (en) | Novel neuromorphic vision system | |
| WO2014183009A1 (en) | Combined sensor arrays for relief print imaging | |
| CN114676816A (zh) | 图像感知芯片 | |
| Lange et al. | Optical neural chips | |
| Xu et al. | A 4.57 μw@ 120fps vision system of sensing with computing for bnn-based perception applications | |
| EP1154489B1 (fr) | Détecteur optique bi-spectral | |
| TWI825664B (zh) | 使用憶阻器的ai融合像素傳感器 | |
| US11588994B2 (en) | Image sensor with embedded neural processing unit | |
| JPS6237812B2 (zh) | ||
| CN114638349A (zh) | 光敏神经元、感存算一体化智能感知装置、方法及介质 | |
| JPH10293851A (ja) | 画像感知および処理のための装置 | |
| JPH0490015A (ja) | 光ニューロコンピュータ | |
| JP2514924B2 (ja) | イメ−ジセンサ | |
| CN111985633A (zh) | 一种模拟人工感知神经元的方法及电路 | |
| JPH10294899A (ja) | 画像感知および処理のための装置 | |
| Sah et al. | Amorphous silicon edge detectors for application to neural network image sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |