소식

Aug 14, 2023

펄스 결합 신경망 기반의 시지각 모델의 시뮬레이션 분석

Scientific Reports 13권, 기사 번호: 12281(2023) 이 기사 인용 148 액세스 1 Altmetric Metrics 세부 정보 펄스 결합 신경망은 정보와 같은 다양한 분야에서 잘 작동합니다.

Scientific Reports 13권, 기사 번호: 12281(2023) 이 기사 인용

148 액세스

1 알트메트릭

측정항목 세부정보

펄스 결합 신경망은 정보 검색, 깊이 추정, 객체 감지 등 다양한 분야에서 우수한 성능을 발휘합니다. 본 논문에서는 PCNN(Pulse Coupled Neural Network) 이론을 기반으로 시각 인식 모델 프레임워크를 구축하고 실제 영상 재현 플랫폼을 구축한다. 모델은 먼저 신경망 다중 클래스 분류기의 구조와 일반화 능력을 분석하고, 특징 공간의 최소 최대 기준을 시각적 인식 결정 노드의 분할 기준으로 사용하여 신경망 학습 알고리즘의 일반화 문제를 해결합니다. 시뮬레이션 과정에서는 2차원 최대 클래스 간 분산법을 사용하여 초기 임계값을 최적화하고, 알고리즘의 실시간 성능을 향상시키기 위해 신경망의 빠른 재발 공식을 도출하여 제공합니다. 유전자 알고리즘을 기반으로 한 PCNN 영상 분할 방법을 분석한다. 유전자 알고리즘은 PCNN 이미지 분할 알고리즘의 루프 종료 조건과 모델 매개변수의 적응형 설정을 개선하지만 PCNN 이미지 분할 알고리즘은 여전히 ​​복잡성 문제를 안고 있습니다. 이러한 문제를 해결하기 위해 본 논문에서는 개선된 알고리즘과 PCNN 모델을 결합한 IGA-PCNN 영상 분할 방법을 제안하였다. 먼저 개선된 면역 유전 알고리즘을 사용하여 최적의 임계값을 적응적으로 얻은 다음 PCNN 모델의 동적 임계값을 최적 임계값으로 대체하고 마지막으로 PCNN 모델의 펄스 결합 특성을 사용하여 이미지 분할을 완료했습니다. PCNN의 결합 특성, 영상의 접합 근접 공간 및 계조 특성으로부터 영상 연결 강도 계수의 로컬 회색 평균 제곱 오차를 결정했습니다. PCNN의 특징 추출 및 객체 분할 속성은 뉴런의 스파이크 주파수에서 비롯되며 PCNN의 뉴런 수는 입력 이미지의 픽셀 수와 같습니다. 또한 픽셀의 공간적 차이와 회색값 차이를 종합적으로 고려하여 연결 매트릭스를 결정해야 합니다. 디지털 실험에 따르면 다중 규모 다중 작업 펄스 결합 신경망 모델은 총 훈련 시간을 17시간 단축하고 작업 테스트 데이터 세트의 종합 정확도를 1.04% 향상시키며 각 이미지의 감지 시간을 4.8시간 단축할 수 있습니다. s 여러 단일 작업의 직렬 네트워크 모델과 비교됩니다. 기존 PCNN 알고리즘과 비교하여 빠른 시각적 인식과 명확한 대상 윤곽 분할이라는 장점이 있으며 모델의 간섭 방지 성능을 효과적으로 향상시킵니다.

최근 정보화 과정의 가속화와 컴퓨터 기술의 급속한 발전으로 생활과 생산 분야에서 컴퓨터 비전에 대한 사람들의 요구가 점점 더 절실해지고 있습니다1. 컴퓨터 비전은 이미지 처리를 위한 컴퓨터 비전 시스템의 첫 번째 단계로 환경 인식 및 이해, 시각 인식을 위한 컴퓨터 시뮬레이션 생물학적 비전 시스템을 사용하며, 컴퓨터 비전은 핵심 기술 항목 중 하나입니다2. 이미지 완성은 종종 손실된 정보를 재현할 수 있으며3, 이미지 완성은 대상 특징이 심각하게 누락된 경우 사진의 결함을 채울 수 있습니다4. 영상 해상도 재구성 문제는 심층 신경망을 사용하여 특징 데이터를 처리함으로써 개선될 수 있습니다5. 실제 이미지 재현은 영상 장비가 인간의 생리학적 시각 인식에 맞춰 이상적인 이미지를 제공할 수 있도록 하는 처리 기술입니다6.

현재 사람들은 시지각 기술의 어려움에 대해 많은 연구 작업을 수행하고 많은 돌파구를 마련했습니다. 심층 잔차 그룹별로 이미지 정보를 처리하고 딥러닝 모델로 이미지를 그린 다음 이미지를 복구하는 방법7,8 및 애플리케이션9,10,11에서 성공적으로 테스트되었습니다. 문제 중 하나는 비디오 구조, 즉 비디오 주파수 시간 영역 분할을 자동으로 실현하고 비디오 스트림을 특정 중요성을 지닌 다양한 수준의 비디오 단위로 분할하는 방법입니다. 두 번째는 자동 콘텐츠 분석을 구현하고 비디오 콘텐츠를 설명하기 위한 시각적, 의미적 특징을 추출하는 방법입니다12. 그러나 현재의 시지각 알고리즘에 대한 평가 역시 시스템이 부족하고, 정확한 연구, 시지각의 효과를 판단하는 방법, 특정 유형의 이미지 분할 알고리즘에 적합한 선택 방법 또한 통일된 표준이 없기 때문에 연구가 이루어지고 있습니다. 및 디자인 분할 알고리즘 성능 평가 기준 시스템으로 인해 현재 시각적 인식 분야는 문제 해결이 시급합니다14.