Сети с импульсной связью
Сети с импульсной связью или нейронные сети с импульсной связью ( PCNN кошки ) — это нейронные модели, предложенные путем моделирования зрительной коры головного мозга и разработанные для высокопроизводительной биомиметической обработки изображений . [1]
В 1989 году Экхорн представил нейронную модель, имитирующую механизм зрительной коры кошки. [2] Модель Экхорна предоставила простой и эффективный инструмент для изучения зрительной коры головного мозга мелких млекопитающих , и вскоре было признано, что она имеет значительный потенциал применения при обработке изображений.
В 1994 году Джонсон адаптировал модель Экхорна к алгоритму обработки изображений , назвав этот алгоритм нейронной сетью с импульсной связью.
Основным свойством модели связующего поля Экхорна (LFM) является член связи. LFM — это модуляция основного входа с помощью смещенного коэффициента смещения, управляемого связующим входом. Они управляют пороговой переменной, которая снижается от начального высокого значения. Когда порог падает ниже нуля, он сбрасывается на высокое значение, и процесс начинается заново. Это отличается от стандартной нейронной модели «интеграция и запуск», которая накапливает входные данные до тех пор, пока они не превысят верхний предел, и эффективно «закорачивается», вызывая импульс.
LFM использует эту разницу для поддержания всплесков импульсов, чего стандартная модель не делает на уровне одного нейрона. Однако важно понимать, что подробный анализ стандартной модели должен включать шунтирующий член из-за плавающего уровня напряжений в дендритном отсеке(ах), а это, в свою очередь, вызывает элегантный эффект множественной модуляции, который обеспечивает истинный эффект сеть высшего порядка (HON). [3] [4] [5]
PCNN — это двумерная нейронная сеть . Каждый нейрон в сети соответствует одному пикселю входного изображения, получая информацию о цвете соответствующего пикселя (например, интенсивности) в качестве внешнего стимула. Каждый нейрон также соединяется с соседними нейронами, получая от них локальные стимулы. Внешние и местные стимулы объединяются во внутреннюю систему активации, которая накапливает стимулы до тех пор, пока они не превысят динамический порог, что приводит к импульсному выходу. Посредством итеративных вычислений нейроны PCNN создают временные серии импульсных выходных сигналов. Временная серия выходных импульсов содержит информацию о входных изображениях и может использоваться для различных приложений обработки изображений, таких как сегментация изображений и генерация признаков. По сравнению с традиционными средствами обработки изображений PCNN имеют несколько существенных преимуществ, включая устойчивость к шуму, независимость от геометрических изменений входных шаблонов, способность компенсировать незначительные изменения интенсивности входных шаблонов и т. д.
Упрощенная PCNN, называемая пиковой кортикальной моделью, была разработана в 2009 году. [6]
Приложения
[ редактировать ]PCNN полезны для обработки изображений , как обсуждается в книге Томаса Линдблада и Джейсона М. Кинсера. [7]
PCNN использовались в различных приложениях обработки изображений, в том числе: сегментация изображений , распознавание образов , генерация признаков , извлечение лиц , обнаружение движения , увеличение областей , шумоподавление изображений. [8] и улучшение изображения [9]
Обработка многомерных импульсных изображений данных о химической структуре с использованием PCNN обсуждалась Кинсером и др. [10]
Они также были применены к задаче о кратчайшем пути для всех пар. [11]
Ссылки
[ редактировать ]- ^ Жан, К.; Ши, Дж.; Ван, Х.; Се, Ю.; Ли, К. (2017). «Вычислительные механизмы нейронных сетей с импульсной связью: комплексный обзор» . Архив вычислительных методов в технике . 24 (3): 573–588. дои : 10.1007/s11831-016-9182-3 . S2CID 57453279 .
- ^ Экхорн, Р.; Райтбок Х.Дж.; Арндт, М.; Дике, П. (1989). «Нейронная сеть для связывания функций посредством синхронной активности: результаты зрительной коры кошки и моделирования». В Коттерилле, RMJ (ред.). Модели функции мозга . Кембридж: Издательство Кембриджского университета. стр. 255–272.
- ^ Джонсон и Пэджетт (1999). «Модели и приложения PCNN». Транзакции IEEE в нейронных сетях . 10 (3 МАЯ): 480–498. дои : 10.1109/72.761706 . ПМИД 18252547 . на маневровые условия
- ^ Джайлз, К. Ли ; Сунь, Го-Чжэн; Чен, Син-Хен; Ли, Йи-Чун; Чен, Донг (1989). «Рекуррентные сети высшего порядка и грамматический вывод» . Достижения в области нейронных систем обработки информации . 2 . Проверено 12 марта 2024 г.
- ^ Джайлз, К.; Гриффин, Р.; Максвелл, Т. (1987). «Кодирование геометрических инвариантностей в нейронных сетях высшего порядка» . Нейронные системы обработки информации . Проверено 12 марта 2024 г.
- ^ Кун Чжан; Хунцжуань Чжан; Йидэ Ма (декабрь 2009 г.). «Новая кортикальная модель всплеска для инвариантного поиска текстур и обработки изображений». Транзакции IEEE в нейронных сетях . 20 (12): 1980–1986. дои : 10.1109/ТНН.2009.2030585 . ПМИД 19906586 .
{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка ) - ^ Линдблад, Томас; Кинзер, Джейсон М. (2005). Обработка изображений с использованием нейронных сетей с импульсной связью (2-е изд.). Берлин ; Нью-Йорк: Спрингер. ISBN 3-540-24218-Х .
- ^ Чжан, Ю. (2008). «Улучшенный фильтр изображений на основе SPCNN». Наука в Китае . Серия F. 51 (12): 2115–2125. дои : 10.1007/s11432-008-0124-z . S2CID 22319368 .
- ^ 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 .
- ^ Кинзер, Джейсон М; Вальдемарк, Карина; Линдблад, Томас; Якобссон, Свен П. (май 2000 г.). «Многомерная импульсная обработка изображений данных химической структуры». Хемометрика и интеллектуальные лабораторные системы . 51 (1): 115–124. дои : 10.1016/S0169-7439(00)00065-4 .
- ^ Вэй, Г.; Ван, С. (2011). «Новый алгоритм решения задачи о кратчайшем пути для всех пар, основанный на умножении матриц и нейронной сети с импульсной связью». Цифровая обработка сигналов . 21 (4): 517–521. Бибкод : 2011DSP....21..517Z . дои : 10.1016/j.dsp.2011.02.004 .