Notizia

May 18, 2023

Analisi di simulazione del modello di percezione visiva basato su rete neurale accoppiata a impulsi

Scientific Reports volume 13, numero articolo: 12281 (2023) Cita questo articolo 159 Accessi 1 Dettagli sulle metriche alternative Le reti neurali accoppiate a impulsi funzionano bene in molti campi come l'informazione

Rapporti scientifici volume 13, numero articolo: 12281 (2023) Citare questo articolo

159 accessi

1 Altmetrico

Dettagli sulle metriche

Le reti neurali accoppiate a impulsi funzionano bene in molti campi come il recupero di informazioni, la stima della profondità e il rilevamento di oggetti. Basato sulla teoria della rete neurale accoppiata a impulsi (PCNN), questo articolo costruisce una struttura del modello di percezione visiva e costruisce una vera piattaforma di riproduzione delle immagini. Il modello analizza innanzitutto la struttura e la capacità di generalizzazione del classificatore multiclasse della rete neurale, utilizza il criterio minimax dello spazio delle caratteristiche come criterio di suddivisione del nodo decisionale della percezione visiva, che risolve il problema di generalizzazione dell'algoritmo di apprendimento della rete neurale. Nel processo di simulazione, la soglia iniziale viene ottimizzata mediante il metodo della varianza interclasse massima bidimensionale e, al fine di migliorare le prestazioni in tempo reale dell'algoritmo, viene derivata e fornita la formula di ricorrenza rapida della rete neurale. Viene analizzato il metodo di segmentazione delle immagini PCNN basato su un algoritmo genetico. L'algoritmo genetico migliora la condizione di terminazione del loop e l'impostazione adattiva dei parametri del modello dell'algoritmo di segmentazione delle immagini PCNN, ma l'algoritmo di segmentazione delle immagini PCNN presenta ancora il problema della complessità. Per risolvere questo problema, questo articolo ha proposto un metodo di segmentazione delle immagini IGA-PCNN che combina l'algoritmo migliorato e il modello PCNN. In primo luogo, ha utilizzato l'algoritmo genetico immunitario migliorato per ottenere in modo adattivo la soglia ottimale, quindi ha sostituito la soglia dinamica nel modello PCNN con la soglia ottimale e infine ha utilizzato le caratteristiche di accoppiamento degli impulsi del modello PCNN per completare la segmentazione dell'immagine. Dalle caratteristiche di accoppiamento di PCNN, dallo spazio chiuso della giunzione dell'immagine e dalle caratteristiche del livello di grigio, è stato determinato l'errore quadratico medio grigio locale del coefficiente di forza della connessione dell'immagine. Le proprietà di estrazione delle caratteristiche e di segmentazione degli oggetti di PCNN derivano dalla frequenza di picco dei neuroni e il numero di neuroni in PCNN è uguale al numero di pixel nell'immagine di input. Inoltre, le differenze spaziali e di valore di grigio dei pixel dovrebbero essere considerate in modo completo per determinare la loro matrice di connessione. Esperimenti digitali mostrano che il modello di rete neurale accoppiato a impulsi multiscala e multitasking può ridurre il tempo di addestramento totale di 17 ore, migliorare l'accuratezza complessiva del set di dati del test dell'attività dell'1,04% e ridurre il tempo di rilevamento di ciascuna immagine del 4,8 s rispetto al modello di rete in serie di più attività singole. Rispetto al tradizionale algoritmo PCNN, presenta i vantaggi di una percezione visiva rapida e di una chiara segmentazione del contorno del bersaglio e migliora efficacemente le prestazioni anti-interferenza del modello.

Negli ultimi anni, con l'accelerazione del processo informativo e il rapido sviluppo della tecnologia informatica, la domanda di visione artificiale da parte delle persone nella vita e nella produzione sta diventando sempre più urgente1. La visione artificiale utilizza un sistema di visione biologica simulato al computer per la consapevolezza e la comprensione ambientale e la percezione visiva come primo passo nel sistema di visione artificiale per l'elaborazione delle immagini, la visione artificiale è uno degli elementi tecnologici principali2. Il completamento dell'immagine può spesso riprodurre le informazioni perdute3 e il completamento dell'immagine può colmare i difetti dell'immagine quando le caratteristiche target risultano gravemente mancanti4. Il problema della ricostruzione della risoluzione dell'immagine può essere migliorato utilizzando la rete neurale profonda per elaborare i dati delle caratteristiche5. La riproduzione dell'immagine reale è una tecnologia di elaborazione che consente alle apparecchiature di imaging di fornire immagini ideali in linea con la percezione visiva fisiologica umana6.

Al momento, le persone hanno svolto molti lavori di ricerca sulle difficoltà della tecnologia della percezione visiva e hanno fatto molti passi avanti. Come elaborare le informazioni sull'immagine in base al gruppo residuo profondo e disegnare l'immagine in base al modello di deep learning, quindi riparare l'immagine7,8 e testare con successo nell'applicazione9,10,11. Uno dei problemi è la struttura del video, ovvero come realizzare automaticamente la segmentazione nel dominio del tempo della frequenza video e segmentare il flusso video in diversi livelli di unità video con un certo significato. Il secondo è come realizzare analisi automatiche dei contenuti ed estrarre caratteristiche visive e semantiche per descrivere i contenuti video12. Ma l'attuale valutazione dell'algoritmo di percezione visiva è anche la mancanza di un sistema, di una ricerca accurata, di come giudicare l'effetto della percezione visiva e di come scegliere l'algoritmo appropriato per determinati tipi di segmentazione delle immagini, inoltre non dispone di uno standard unificato13, quindi la ricerca e progettare un sistema di criteri di valutazione delle prestazioni dell'algoritmo di segmentazione, l'attuale campo della percezione visiva è un'urgente necessità di risolvere il problema14.