Модель сознательного внимания и биоподобного анализа изображений на базе ансамбля АРТ-нейросетей

• Автор: Мищенко, Алесь Викторович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Санкт-Петербург
• Количество страниц: 226 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

I ЛАВА 1. НЕЙРОСЕТЕВАЯ МОДЕЛЬ ЗРЕНИЯ И ВНИМАНИЯ

1.1. Основные элементы нейросетевой модели зрения и

внимания

1.1.1. Базовые определения нейросети

1.1.2. Полносвязный классификатор ПК

1.1.3. Нейроансамбль полиосвязных классификаторов

1.2. Психология внимания и распознавания образов

1.2.1. Психологические свойства внимания

1.2.2. Современное понимание структуры внимания
1.2.3. Виды зрительной памяти
1.2.4. Этапы процесса распознавания
1.3. Формализация проблемы внимания и распознавания
1.3.1. Постановка задачи нейросетевого моделирования внимания и распознавания
1.3.2. Архитектура нейросетевой модели внимания и распознавания
1.4. Заключение к Главе 1
ГЛАВА 2. АРХИТЕКТУРА, ФУНКЦИОНИРОВАНИЕ И ЧИСЛЕН
НАЛ РЕАЛИЗАЦИЯ НЕЙРОСЕТЕВОЙ МОДЕЛИ ВНИМАНИЯ
2.1. Теоретическое обоснование фасетизации.
2.1.1. Связь кластеризации и фасетизации. Теорема эк вивалентности.
2.1.2. Пример применения Теоремы эквивалентности.
2.2. Функционирование фасеточной модели низкоуровне
вого зрения
2.2.1. Фасетка и е свойства
2.2.2. Фасеточное преобразование изображения
2.2.3. Качество фасеточного представления
2.3. Состав СВАКнейросети
2.3.1. АРТмодель первичного восприятия и непроиз вольного внимания АКподсеть
2.3.2. АРТмодель сознательного внимания и анализа структуры изображений СВподсеть
2.4. Теоретическое обоснование СВАКмодели
2.4.1. Формула веса ассоциации. Теорема О воспоми наниях и ассоциациях.
2.4.2. Теорема О стабильности сети.
2.5. Заключение к Главе 2
ГЛАВА 3. КОМПЛЕКС ПРОГРАММ СВАК,
ЕГО РЕАЛИЗАЦИЯ И ТЕСТИРОВАНИЕ
3.1. Число операций и погрешность СВАК
3.1.1. Вычислительная сложность подсети фасетизации
3.1.2. Вычислительная сложность АКподсеги
3.1.3. Вычислительная сложность СВподсети
3.1.4. Пофешность вычислений СВАК
3.2. Тестирование комплекса программ СВАК
3.2.1. Тест анализа структуры букв
3.2.2. Проверка безопасности шрифтов
3.2.3. Свойства СВАКсети, выявленные в процессе с 8 работы
3.3. Заключение к Главе 3
ГЛАВА 4. ПРИЛОЖЕНИЯ СВАКСЕТИ
4.1. Сравнение с нейросетями и психологическими экспе
риментами
4.1.1. Сравнение нейросетей СВАК и СААРТ
4.1.2. Психологические эксперименты измерения вре 0 мени реакции
4.1.3. Психологические эксперименты измерения вы 4 званных потенциалов с помощью ЭЭГ
4.2. Приложения СВАКсети и метода фасеточного зрения
4.2.1. Поиск и сегментация объекта по эталону
4.2.2. Создание тримапа для матирования
4.2.3. Вычисление свойств материала по изображению 6 микроструктуры
4.3. Заключение к Главе 4
ЗАКЛЮЧЕНИЕ
СПИСОК ЦИТИРУЕМОЙ ЛИТЕРАТУРЫ


Нейроны его второго слоя связаны между собой отрицательной связью ^ (латеральным торможением), обеспечивающей разряд только одного, самого активированного, нейрона. Нейроансамбль полноевнзных классификаторов. В Приложении С описывается строение и работа стандартной (базовой) АРТ-сети, изображённой на Рис. Введения и состоящей из одного полносвязного классификатора (ПК) и модуляторов его работы (МСП, МС, МР). Основной частью целевой нейросети является массив полносвязных классификаторов (ПК), функционирующих как единый ансамбль. Каждый ПК представляет собой ядро стандартной АРТ-сети (Рис. МСП, модуляторов сравнения МС и распознавания МР). Такое ядро изображено на Рис. Важнейшей частью данного ядра является восходящий (от слоя сравнения СС к слою распознавания СР) и нисходящий (от СР к СС) веер синаптических связей В весах этих связей хранятся запомненные изображения. Иными словами, каждое такое изображение представляет собой представительный образ для всех изображений соответствующего кластера. Модули сброса, а также модуляторы МС, МР будут едины для всего массива, что обеспечивает функционирование подсети как единого ансамбля. ПК имеет два слоя полностью взаимосвязанных узлов: СС и СР. Решение по классификации ПК выражает в виде возбуждения одного из нейронов СР. Картина возбуждения разных ГДС, соответствующих разным свойствам (цветовым, текстурным, и т. Главу 2). Если входное изображение не соответствует ни одному из запомненных образов (с точки зрения определенного критерия сходства), создается новая категория состоящая из образа, идентичного новому входному изображению. Эта категория также состоит из разных ПК, соответствующих разным цветовым, текстурным и т. Если напротив, входное изображение похоже на одно из ранее запомненных, то соответствующая категория будет изменяться иод воздействием нового входного изображения соответствующим образом. Иными словами, категория изменяется только если входное изображение окажется достаточно похожим на неё. Таким образом, решается дилемма стабильности-пластичности (новое изображение может создавать дополнительные классификационные категории, но не может заставить измениться существующую память). На Рис. ПК. Каждое входное изображение (точнее изображение какого-либо свойства), поступающее на соответствующий этому свойству ПК, выражает наличие/интенсивность своего свойства. В СР запоминается М(ПК) классов образов, по одному классу на каждый нейрон т-1М. Основную работу по классификации производят СС и СР - подробнее далее, а также в Главе 2. В заключение, сформулируем расширенные определения АРТ-сети и АРТ-нейроансамбля, в рамках которых будет строиться целевая нейросеть. Определение 3. АРТ-сетъю называется ИНС (см. ИНС выше), состоящая из одного или нескольких ПК, связывающих их синаптических связей и модуляторов их работы (МСП, МС, МР). СР каждого ПК активизируется не более одного нейрона К1я Множество весов этих активированных нейронов УУ наиболее соответствует7 множеству поданных данных. Формулы обучения сети (коррекции весов синапсов) зависят только от проходящих по ним сигналов. Определение 4. АРТ-нейроансамблем называется подсеть АРТ-сети, состоящая из ПК, некоторые нейроны СР которых связаны взаимоусили-вающими связями. Как показывают современные исследования работы мозга, на пути от сетчатки к зрительной коре существуют как восходящие, гак и нисходящие потоки информации [, , , 6, 9]. Нисходящий поток информации направляет внимание, в частности, на части изображения, важные с точки зрения структур и моделей реальности, находящихся в памяти. Обнаружив в изображении часть известной структуры, зрительная кора направляет внимание на обнаружение других её частей. Таким образом, внимание является важным аспектом зрения. Психологические свойства внимания. Для моделирования внимания необходимо учесть его свойства, выделяемые психологами [, ]. Внимание не выступает как самостоятельный процесс. Оно открывается как направленность, настроенность и сосредоточенность психической деятельности, следовательно, только как сторона или свойство этой деятельности.