Сети с импульсной связью - Pulse-coupled networks

Сети с импульсной связью или же нейронные сети с импульсной связью (PCNNs) - нейронные модели, предложенные путем моделирования кошачьей зрительная кора, и разработан для высокопроизводительных биомиметик обработка изображений.[1]

В 1989 году Экхорн представил нейронную модель, имитирующую механизм зрительной коры головного мозга кошки. Модель Экхорна представляет собой простой и эффективный инструмент для изучения малых млекопитающее Зрительной коры головного мозга, и вскоре было признано, что она имеет значительный потенциал применения в обработке изображений.

В 1994 году Джонсон адаптировал модель Экхорна для обработки изображений. алгоритм, называя этот алгоритм a импульсная нейронная сеть. За последнее десятилетие PCNN использовались во множестве приложений обработки изображений, в том числе: сегментация изображений, создание функций, удаление лица, обнаружение движения, регион растет, и подавление шума.

Основным свойством модели связующего поля (LFM) Экхорна является член связи. LFM - это модуляция первичного входа с помощью смещенного коэффициента смещения, управляемого входным соединением. Они управляют пороговой переменной, которая убывает от начального высокого значения. Когда порог падает ниже нуля, он сбрасывается до высокого значения, и процесс начинается заново. Это отличается от стандартной нейронной модели «интегрировать и активировать», которая накапливает входные данные до тех пор, пока не пройдет верхний предел, и эффективно «замыкается», вызывая импульс.

LFM использует это различие для поддержки всплесков импульсов, чего стандартная модель не делает на уровне отдельного нейрона. Однако важно понимать, что подробный анализ стандартной модели должен включать в себя термин шунтирования из-за плавающего уровня напряжения в дендритном отсеке (ах), что, в свою очередь, вызывает элегантный эффект множественной модуляции, который позволяет сеть высшего порядка (HON).[2] Обработка многомерных импульсных изображений данных химической структуры с использованием PCNN обсуждалась Kinser et al.[3]

PCNN - это двумерная нейронная сеть. Каждый нейрон в сети соответствует одному пикселю входного изображения, получая информацию о цвете соответствующего пикселя (например, интенсивность) в качестве внешнего стимула. Каждый нейрон также соединяется со своими соседними нейронами, получая от них локальные стимулы. Внешние и местные стимулы объединяются во внутреннюю систему активации, которая накапливает стимулы до тех пор, пока не превысит динамический порог, что приводит к импульсному выходу. Путем итеративного вычисления нейроны PCNN производят временные серии выходных импульсов. Временной ряд выходных импульсов содержит информацию о входных изображениях и может использоваться для различных приложений обработки изображений, таких как сегментация изображения и генерация признаков. По сравнению с обычными средствами обработки изображений, PCNN имеют несколько существенных достоинств, включая устойчивость к шуму, независимость от геометрических изменений во входных рисунках, способность преодолевать незначительные изменения интенсивности во входных рисунках и т. Д.

В 2009 году была разработана упрощенная модель PCNN, называемая спайковой кортикальной моделью.[4]

PCNN полезны для обработки изображений, как описано в книге Томаса Линдблада и Джейсона М. Кинзера.[5]

Приложения

PCNN доказал свою эффективность во многих академических и промышленных областях, таких как обработка изображений (шумоподавление изображений,[6] и улучшение изображения [7]), задача поиска кратчайшего пути для всех пар,[8] и распознавание образов.

Рекомендации

  1. ^ Жан, К .; Shi, J .; Wang, H .; Xie, Y .; Ли, К. (2017). «Вычислительные механизмы нейронных сетей с импульсной связью: всесторонний обзор». Архивы вычислительных методов в технике. 24 (3): 573–588. Дои:10.1007 / s11831-016-9182-3.
  2. ^ См. Johnson and Padgett IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 10, NO. 3, МАЙ 1999 г., стр. 480-498, где представлены условия маневрирования, и старая работа К. Ли Джайлза конца 80-х годов о HON)
  3. ^ Джейсон М. Кинсер a, Карина Вальдемарк b, Томас Линдблад b, Свен П. Якобссон в книге «Хемометрика и интеллектуальные лабораторные системы» 51, 2000.115–124
  4. ^ К. Чжан, Х.Дж. Чжан, Ю.Д. Ма. Новая модель коры головного мозга для инвариантного поиска текстуры и обработки изображений. IEEE Trans. по нейронным сетям, 2009, 20 (12): 1980-1986.
  5. ^ Обработка изображений с использованием нейронных сетей с импульсной связью, вторая, исправленная версия, Springer Verlag ISBN  3-540-24218-Х
  6. ^ Чжан, Ю. (2008). «Улучшенный фильтр изображений на основе SPCNN». Наука в Китае, издание F: информатика. 51 (12): 2115–2125. Дои:10.1007 / s11432-008-0124-z.
  7. ^ Ву, Л. (2010). «Улучшение цветного изображения на основе HVS и PCNN». Наука Китай Информационные науки. 53 (10): 1963–1976. Дои:10.1007 / s11432-010-4075-9.
  8. ^ Wei, G .; Ван, С. (2011). «Новый алгоритм решения задачи кратчайшего пути для всех пар, основанный на умножении матриц и нейронной сети с импульсной связью». Цифровая обработка сигналов. 21 (4): 517–521. Дои:10.1016 / j.dsp.2011.02.004.