Новости

Aug 14, 2023

Имитационный анализ модели зрительного восприятия на основе импульсно-связанной нейронной сети

Scientific Reports, том 13, номер статьи: 12281 (2023) Цитировать эту статью 148 Доступов 1 Подробности об альтернативных метриках Нейронные сети с импульсной связью хорошо работают во многих областях, таких как обработка информации.

Том 13 научных докладов, Номер статьи: 12281 (2023) Цитировать эту статью

148 доступов

1 Альтметрика

Подробности о метриках

Нейронные сети с импульсной связью хорошо работают во многих областях, таких как поиск информации, оценка глубины и обнаружение объектов. На основе теории импульсно-связанных нейронных сетей (PCNN) в этой статье создается структура модели визуального восприятия и реальная платформа воспроизведения изображений. Модель сначала анализирует структуру и способность к обобщению многоклассового классификатора нейронной сети, использует минимаксный критерий пространства признаков в качестве критерия разделения узла принятия решения о визуальном восприятии, что решает проблему обобщения алгоритма обучения нейронной сети. В процессе моделирования начальный порог оптимизируется с помощью двумерного метода максимальной межклассовой дисперсии, а для повышения производительности алгоритма в реальном времени выводится и задается быстрая рекуррентная формула нейронной сети. Анализируется метод сегментации изображений PCNN, основанный на генетическом алгоритме. Генетический алгоритм улучшает условие завершения цикла и адаптивную настройку параметров модели алгоритма сегментации изображения PCNN, но алгоритм сегментации изображения PCNN по-прежнему имеет проблему сложности. Чтобы решить эту проблему, в этой статье был предложен метод сегментации изображений IGA-PCNN, сочетающий улучшенный алгоритм и модель PCNN. Во-первых, он использовал улучшенный иммуногенетический алгоритм для адаптивного получения оптимального порога, затем заменил динамический порог в модели PCNN на оптимальный порог и, наконец, использовал характеристики импульсной связи модели PCNN для завершения сегментации изображения. На основании характеристик связи PCNN, близкого пространства соединения изображения и характеристик уровня серого он определил локальную среднеквадратическую ошибку коэффициента прочности связи изображения. Свойства PCNN по извлечению признаков и сегментации объектов основаны на частоте импульсов нейронов, а количество нейронов в PCNN равно количеству пикселей во входном изображении. Кроме того, необходимо всесторонне учитывать пространственные различия и различия значений яркости пикселей для определения матрицы их связи. Цифровые эксперименты показывают, что многомасштабная многозадачная модель нейронной сети с импульсной связью может сократить общее время обучения на 17 часов, повысить общую точность набора данных тестового задания на 1,04% и сократить время обнаружения каждого изображения на 4,8. По сравнению с последовательной сетевой моделью нескольких отдельных задач. По сравнению с традиционным алгоритмом PCNN он обладает преимуществами быстрого визуального восприятия и четкой сегментации целевого контура, а также эффективно улучшает характеристики защиты от помех модели.

В последние годы, с ускорением информационных процессов и бурным развитием компьютерных технологий, потребность людей в компьютерном зрении в жизни и производстве становится все более актуальной1. Компьютерное зрение использует компьютерную симуляцию системы биологического зрения для осознания и понимания окружающей среды, а визуальное восприятие является первым шагом в системе компьютерного зрения для обработки изображений. Компьютерное зрение является одним из основных элементов технологии2. Завершение изображения часто может воспроизвести потерянную информацию3, а завершение изображения может восполнить дефекты изображения, когда целевые функции серьезно отсутствуют4. Проблему реконструкции разрешения изображения можно улучшить, используя глубокую нейронную сеть для обработки признаковых данных5. Воспроизведение реального изображения — это технология обработки, позволяющая оборудованию обработки изображений создавать идеальные изображения, соответствующие физиологическому зрительному восприятию человека6.

В настоящее время люди провели много исследовательских работ по трудностям технологии зрительного восприятия и совершили множество прорывов. Как обработать информацию изображения с помощью глубокой остаточной группы и нарисовать изображение с помощью модели глубокого обучения, а затем восстановить изображение7,8 и успешно протестировано в приложении9,10,11. Одной из проблем является структура видео, то есть, как автоматически реализовать сегментацию видеочастоты во временной области и сегментировать видеопоток на различные уровни видеоединиц с определенной значимостью. Второй — как реализовать автоматический контент-анализ и извлечь визуальные и семантические характеристики для описания видеоконтента12. Но текущая оценка алгоритма зрительного восприятия также связана с отсутствием системы, точных исследований того, как оценить эффект зрительного восприятия и как выбрать подходящий для определенных типов алгоритм сегментации изображения, также не имеет единого стандарта13, поэтому исследования и разработать систему критериев оценки производительности алгоритма сегментации, текущая область визуального восприятия является острой необходимостью решить эту проблему14.