CN109190708A - 基于视觉皮层处理机制的概念机神经网络图像分类方法 - Google Patents
基于视觉皮层处理机制的概念机神经网络图像分类方法 Download PDFInfo
- Publication number
- CN109190708A CN109190708A CN201811063141.2A CN201811063141A CN109190708A CN 109190708 A CN109190708 A CN 109190708A CN 201811063141 A CN201811063141 A CN 201811063141A CN 109190708 A CN109190708 A CN 109190708A
- Authority
- CN
- China
- Prior art keywords
- neuron
- layers
- input
- image
- conceptual machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉皮层处理机制的概念机神经网络图像分类方法,包括通过神经网络对图像进行预处理,还包括搭建与V2层神经元连接的概念机网络,每类图像对应一个概念机Ci,每类图像所对应的正项判断依据为:h+=xTCi +x,i为图像类别的数量;分别计算V2层神经元在不同空间方位上的概念机C;再根据不同方向上的概念机计算对应方向上的正向判据,再对各方向上的正向判据求平均值得到加强判据,再计算被分类图像在各分类类别的加强正项判据,由此确定j=argmaxxTCi +x为该图像的分类判断依据。本发明其对图像分类的过程更接近于真实大脑的处理过程,可以较好地提取出输入图像的局部朝向信息,且通过概念机处理输入,可更准确地进行图像分类。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像分类方法。
背景技术
人工神经网络(ANNs)的广泛使用,使得图像分类精度得到了巨大提高,但是ANNs由于误差信号和权值的非局部转移,让其缺乏生物上的支撑,并存在能量消耗过大问题。脉冲神经网络(SNN),由于其使用的是脉冲神经元(对输入进行积累,到达某一程度后神经元才会有输出),因此具有类似于生物的属性;然而使用脉冲神经网络进行图像识别还处在不断发展阶段,基于人大脑的视觉皮层处理机制的脉冲神经网络的图像分类准确度还较低。
发明内容
有鉴于此,本发明的目的是提供一种基于视觉皮层处理机制的概念机神经网络图像分类方法,已解决现有基于脉冲神经网络的图像分类方法分流准确度较低的技术问题。
本发明基于视觉皮层处理机制的概念机神经网络图像分类方法,包括通过神经网络对图像进行预处理,所述神经网络包括输入层神经元、V1层神经元和V2层神经元,所述通过神经网络对图像进行预处理包括以下步骤:
1)以动态图片的形式输入图像,图像被表达成关于图片像素位置(x,y)和时间t的光强分布I(x,y,t);然后在三个不同的时空尺度r=0,1,2下处理输入,第一个尺度r=0,此时的输入等同于原始输入,另外两个尺度需要连续地使用一个高斯核函数对上一尺度的输入进行模糊化;三种输入Ir(x,y,t)的表达如下:
I0(x,y,t)=I(x,y,t)
其中*表示卷积运算,然后使用一个三维高斯滤波器对输入进行滤波:
其中σv1simple=1.25;
2)求取V1层简单型神经元的响应,V1层简单型神经元被建模为线性的空间-时间-方位滤波器,所述空间-时间-方位滤波器的数量为28个,其感受野为一高斯函数的三阶导数;将V1层简单型神经元集群的第k个滤波器描述为一个和该滤波器方向平行的单位向量uk=(uk,x,uk,y,uk,t),k=1,2,…,28,只有当输入所对应的朝向和滤波器方向相同时,这个滤波器才会被激活;然后在空间位置(x,y)拥有空间-时间方位k的简单型神经元的线性响应为:
其中X=3-Y-T,T和Y为求和变量,X、Y、T的取值范围为[0,3],且三者之和等于3,αV1lin=6.6048;把线性响应Lk,r归一化到一条高斯包络线内便得到简单型神经元的响应:
其中αfilt2rate,r=15Hz将无单位的滤波器响应转换为神经元的放电频率,αV1rect=1.9263,αV1norm=1,σV1norm=3.35,αV1semi=0.1;
3)求取V1层复杂型神经元的响应,对简单型神经元的响应做局部加权求和得到复杂型神经元的响应:
其中αV1complex=0.1,σV1complex=1.6;最终所求取到的复杂型神经元的响应为神经元的平均放电频率;
4)求取V2层神经元的响应,V1层复杂型神经元将通过频率为上述所求得的平均放电频率的泊松过程产生脉冲,并通过突触传递给V2层神经元;V2层神经元的模型为Izhikevich脉冲神经元:
其中v(t)为神经元的膜电位,u(t)为恢复变量,Isyn(t)为突触前神经元产生的突触电流;当v(t)≥30mV时,神经元会产生一个脉冲,并触发重置:v(t)=c,u(t)=u(t)+d;对于兴奋型神经元:a=0.02,b=0.2,c=-65,d=8;对于抑制型神经元:a=0.1,b=0.2,c=-65,d=2;V1层复杂型神经元到V2层的连接为高斯连接,即两神经元空间距离越大,则有连接的概率会越小,且属于相同滤波器的神经元之间共享权值;V2层共有4个神经元集群,分别对应4个朝向:水平、右对角、竖直和左对角,同一个集群的神经元只对自身偏好的输入朝向有较强的响应,而对其他朝向的输入的响应较弱;且集群之间存在相互抑制;通过计算V2层神经元的平均放电频率来表示所提取到的输入朝向信息;
同理构造8个方向的结构,则V2层共有8个神经元集群,分别对应8个朝向:0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°;同一个集群的神经元只对自身偏好的输入朝向有较强的响应,而对其他朝向的输入的响应较弱;且集群之间存在相互抑制;同样地,通过计算V2层神经元的来表示所提取到的输入朝向信息;
本实施例中基于视觉皮层处理机制的概念机神经网络图像分类方法还包括搭建与V2层神经元连接的概念机网络,所述概念机网络由输入层神经元和隐含层神经元构成,概念机网络由输入信号Pj(n)所驱动,所述输入信号Pj(n)为V2层中神经元的平均放电频率;当概念机网络由Pj(n)驱动时,隐含层的活动状态构成了一个高维的状态空间Xj=(x1j,x2j,x3j,...xnj);
输入信号Pj(n)通过输入权值矩阵Win进入隐含层,隐含层激励函数采用双曲正切函数,则概念机网络的更新被描述为:
xj(n+1)=tanh(w*xj(n)+winpj(n+1)+b)
其中,x是隐含层的状态向量,Win为N*1维输入权值连接,b为偏置量;输入连接权值和偏置量均为随机值,且不在训练过程中改变;由于双曲正切激励函数tanh(),使得隐含层的状态空间被限定在(-1,1);初始时,神经元之间的连接可采用随机连接,其连接强度由一个N*N的权值矩阵W*表示,W*是内部连接矩阵;当神经网络由输入信号Pj(n)驱动时,N维的兴奋神经元状态{Xj}位于一个状态星云中,其几何特征由该输入信号决定;
对于隐含层状态序列x(1),x(2),...x(L),构建如下的代价函数:
其中C为概念机矩阵,它描述了隐含层状态空间的特征,α≥0是一个调节参数,通过调节α找到一个使目标函数最小化的平衡点,通过随机梯度下降法得到概念机C;
C(R,α)=R(R+α-2I)-1
其中,R=XXT/L为状态相关矩阵,X为上述N维的兴奋神经元状态空间矩阵,XT为状态空间矩阵X的转置,L为隐含层状态序列的长度;
每类图像对应一个概念机Ci,每类图像所对应的正项判断依据为:
h+=xTCi +x,i为图像类别的数量;
当V2层有水平、右对角、竖直和左对角四个方向上的神经元集群时,先分别计算V2层神经元在水平、右对角、竖直和左对角四个空间方位上的概念机C,分别得到CH,CLD,CV,CRD;再根据不同方向上的概念机计算对应方向上的正向判据hH、hLD、hV和hRD,并最终得道加强判据:
h+=(hH+hLD+hV+hRD)/4
当V2层有0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°八个方向上的神经元集群时,先分别计算V2层神经元在八个空间方位上的概念机C1,C2,C3,C4,C5,C6,C7和C8,再根据不同方向上的概念机计算对应方向上的正向判据h1、h2、h3、h4、h5、h6、h7和h8,并最终得道加强判据:
h+=(h1+h2+h3+h4+h5+h6+h7+h8)/8;
计算被分类图像在各分类类别的加强正项判据xTC1 +x,xTC2 +x…xTCi +x,由此确定j=argmaxxTCi +x为该图像的分类判断依据。
本发明的有益效果:
本发明基于视觉皮层处理机制的概念机神经网络图像分类方法,通过模拟大脑视觉皮层的处理机制对图像进行预处理,然后再结合概念机网络对图像进行分类处理,相比于传统的神经网络,其分类过程更接近于真实大脑的处理过程,可以较好地提取出输入图像的局部朝向信息。并且在分类处理过程中,将经过大脑视觉皮层处理机制提取得到的原图像的四个方向的特征或八个方向的特征作为概念机网络的输入,通过概念机处理输入,可更准确地进行图像分类。
附图说明
图1为4方向网络结构示意图;
图2为8方向网络结构示意图;
图3为V2神经元对数字2在四个方向上的相应;
图4为V2神经元对数字2在八个方向上的相应。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
本实施例中基于视觉皮层处理机制的概念机神经网络图像分类方法,包括通过神经网络对图像进行预处理,所述神经网络包括输入层神经元、V1层神经元和V2层神经元,所述通过神经网络对图像进行预处理包括以下步骤:
1)以动态图片的形式输入图像,图像被表达成关于图片像素位置(x,y)和时间t的光强分布I(x,y,t);然后在三个不同的时空尺度r=0,1,2下处理输入,第一个尺度r=0,此时的输入等同于原始输入,另外两个尺度需要连续地使用一个高斯核函数对上一尺度的输入进行模糊化;三种输入Ir(x,y,t)的表达如下:
I0(x,y,t)=I(x,y,t)
其中*表示卷积运算,然后使用一个三维高斯滤波器对输入进行滤波:
其中σV1simple=1.25。
2)求取V1层简单型神经元的响应,V1层简单型神经元被建模为线性的空间-时间-方位滤波器,所述空间-时间-方位滤波器的数量为28个,其感受野为一高斯函数的三阶导数;将V1层简单型神经元集群的第k个滤波器描述为一个和该滤波器方向平行的单位向量uk=(uk,x,uk,y,uk,t),k=1,2,…,28,只有当输入所对应的朝向和滤波器方向相同时,这个滤波器才会被激活;然后在空间位置(x,y)拥有空间-时间方位k的简单型神经元的线性响应为:
其中X=3-Y-T,T和Y为求和变量,X、Y、T的取值范围为[0,3],且三者之和等于3,αV1lin=6.6048;把线性响应Lk,r归一化到一条高斯包络线内便得到简单型神经元的响应:
其中αfilt2rate,r=15将无单位的滤波器响应转换为神经元的放电频率,αV1rect=1.9263,αV1norm=1,σV1norm=3.35,αV1semi=0.1。
3)求取V1层复杂型神经元的响应,对简单型神经元的响应做局部加权求和得到复杂型神经元的响应:
其中αV1c0mplex=0.1,σV1complex=1.6;最终所求取到的复杂型神经元的响应为神经元的平均放电频率。
4)求取V2层神经元的响应,V1层复杂型神经元将通过频率为上述所求得的平均放电频率的泊松过程产生脉冲,并通过突触传递给V2层神经元;V2层神经元的模型为Izhikevich脉冲神经元:
其中v(t)为神经元的膜电位,u(t)为恢复变量,Isyn(t)为突触前神经元产生的突触电流;当v(t)≥30mV时,神经元会产生一个脉冲,并触发重置:v(t)=c,u(t)=u(t)+d;对于兴奋型神经元:a=0.02,b=0.2,c=-65,d=8;对于抑制型神经元:a=0.1,b=0.2,c=-65,d=2;V1层复杂型神经元到V2层的连接为高斯连接,即两神经元空间距离越大,则有连接的概率会越小,且属于相同滤波器的神经元之间共享权值;V2层共有4个神经元集群,分别对应4个朝向:水平、右对角、竖直和左对角,同一个集群的神经元只对自身偏好的输入朝向有较强的响应,而对其他朝向的输入的响应较弱;且集群之间存在相互抑制;通过计算V2层神经元的平均放电频率来表示所提取到的输入朝向信息。图3为V2神经元以数字2为例在四个方向上的相应。
同理构造8个方向的结构,则V2层共有8个神经元集群,分别对应8个朝向:0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°;同一个集群的神经元只对自身偏好的输入朝向有较强的响应,而对其他朝向的输入的响应较弱;且集群之间存在相互抑制;同样地,通过计算V2层神经元的来表示所提取到的输入朝向信息。图4为V2神经元以数字2为例在八个方向上的相应。
本实施例中基于视觉皮层处理机制的概念机神经网络图像分类方法还包括搭建与V2层神经元连接的概念机网络,所述概念机网络由输入层神经元和隐含层神经元构成,概念机网络由输入信号Pj(n)所驱动,所述输入信号Pj(n)为V2层中神经元的平均放电频率;当概念机网络由Pj(n)驱动时,隐含层的活动状态构成了一个高维的状态空间Xj=(x1j,x2j,x3j,...xnj)。
输入信号Pj(n)通过输入权值矩阵Win进入隐含层,隐含层激励函数采用双曲正切函数,则概念机网络的更新被描述为:
xj(n+1)=tanh(w*xj(n)+winpj(n+1)+b)
其中,x是隐含层的状态向量,Win为N*1维输入权值连接,b为偏置量;输入连接权值和偏置量均为随机值,且不在训练过程中改变;由于双曲正切激励函数tanh(),使得隐含层的状态空间被限定在(-1,1);初始时,神经元之间的连接可采用随机连接,其连接强度由一个N*N的权值矩阵W*表示,W*是内部连接矩阵;当神经网络由输入信号Pj(n)驱动时,N维的兴奋神经元状态{Xj}位于一个状态星云中,其几何特征由该输入信号决定。
对于隐含层状态序列x(1),x(2),...x(L),构建如下的代价函数:
其中C为概念机矩阵,它描述了隐含层状态空间的特征,α≥0是一个调节参数,通过调节α找到一个使目标函数最小化的平衡点,通过随机梯度下降法得到概念机C;
C(R,α)=R(R+α-2I)-1
其中,R=XXT/L为状态相关矩阵,X为上述N维的兴奋神经元状态空间矩阵,XT为状态空间矩阵X的转置,L为隐含层状态序列的长度。
每类图像对应一个概念机Ci,每类图像所对应的正项判断依据为:
h+=xTCi +x,i为图像类别的数量。
当V2层有水平、右对角、竖直和左对角四个方向上的神经元集群时,先分别计算V2层神经元在水平、右对角、竖直和左对角四个空间方位上的概念机C,分别得到CH,CLD,CV,CRD;再根据不同方向上的概念机计算对应方向上的正向判据hH、hLD、hV和hRD,并最终得道加强判据:
h+=(hH+hLD+hV+hRD)/4
当V2层有0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°八个方向上的神经元集群时,先分别计算V2层神经元在八个空间方位上的概念机C1,C2,C3,C4,C5,C6,C7和C8,再根据不同方向上的概念机计算对应方向上的正向判据h1、h2、h3、h4、h5、h6、h7和h8,并最终得道加强判据:
h+=(h1+h2+h3+h4+h5+h6+h7+h8)/8;
计算被分类图像在各分类类别的加强正项判据xTC1 +x,xTC2 +x…xTCi +x,由此确定j=argmaxxTCi +x为该图像的分类判断依据。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于视觉皮层处理机制的概念机神经网络图像分类方法,包括通过神经网络对图像进行预处理,所述神经网络包括输入层神经元、V1层神经元和V2层神经元,所述通过神经网络对图像进行预处理包括以下步骤:
1)以动态图片的形式输入图像,图像被表达成关于图片像素位置(x,y)和时间t的光强分布I(x,y,t);然后在三个不同的时空尺度r=0,1,2下处理输入,第一个尺度r=0,此时的输入等同于原始输入,另外两个尺度需要连续地使用一个高斯核函数对上一尺度的输入进行模糊化;三种输入Ir(x,y,t)的表达如下:
I0(x,y,t)=I(x,y,t)
其中*表示卷积运算,然后使用一个三维高斯滤波器对输入进行滤波:
其中σV1simple=1.25;
2)求取V1层简单型神经元的响应,V1层简单型神经元被建模为线性的空间-时间-方位滤波器,所述空间-时间-方位滤波器的数量为28个,其感受野为一高斯函数的三阶导数;将V1层简单型神经元集群的第k个滤波器描述为一个和该滤波器方向平行的单位向量uk=(uk,x,uk,y,uk,t),k=1,2,...,28,只有当输入所对应的朝向和滤波器方向相同时,这个滤波器才会被激活;然后在空间位置(x,y)拥有空间-时间方位k的简单型神经元的线性响应为:
其中X=3-Y-T,T和Y为求和变量,X、Y、T的取值范围为[0,3],且三者之和等于3,αV1lin=6.6048;把线性响应Lk,r归一化到一条高斯包络线内便得到简单型神经元的响应:
其中αfilt2rate,r=15Hz将无单位的滤波器响应转换为神经元的放电频率,αV1rect=1.9263,αV1norm=1,σV1norm=3.35,αV1semi=0.1;
3)求取V1层复杂型神经元的响应,对简单型神经元的响应做局部加权求和得到复杂型神经元的响应:
其中αV1complex=0.1,σV1complex=1.6;最终所求取到的复杂型神经元的响应为神经元的平均放电频率;
4)求取V2层神经元的响应,V1层复杂型神经元将通过频率为上述所求得的平均放电频率的泊松过程产生脉冲,并通过突触传递给V2层神经元;V2层神经元的模型为Izhikevich脉冲神经元:
其中v(t)为神经元的膜电位,u(t)为恢复变量,Isyn(t)为突触前神经元产生的突触电流;当v(t)≥30mV时,神经元会产生一个脉冲,并触发重置:v(t)=c,u(t)=u(t)+d;对于兴奋型神经元:a=0.02,b=0.2,c=-65,d=8;对于抑制型神经元:a=0.1,b=0.2,c=-65,d=2;V1层复杂型神经元到V2层的连接为高斯连接,即两神经元空间距离越大,则有连接的概率会越小,且属于相同滤波器的神经元之间共享权值;V2层共有4个神经元集群,分别对应4个朝向:水平、右对角、竖直和左对角,同一个集群的神经元只对自身偏好的输入朝向有较强的响应,而对其他朝向的输入的响应较弱;且集群之间存在相互抑制;通过计算V2层神经元的平均放电频率来表示所提取到的输入朝向信息;
同理构造8个方向的结构,则V2层共有8个神经元集群,分别对应8个朝向:0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°;同一个集群的神经元只对自身偏好的输入朝向有较强的响应,而对其他朝向的输入的响应较弱;且集群之间存在相互抑制;同样地,通过计算V2层神经元的来表示所提取到的输入朝向信息。
其特征在于:还包括搭建与V2层神经神经元连接的概念机网络,所述概念机网络由输入层神经元和隐含层神经元构成,概念机网络由输入信号Pj(n)所驱动,所述输入信号Pj(n)为V2层中神经元的平均放电频率;当概念机网络由Pj(n)驱动时,隐含层的活动状态构成了一个高维的状态空间Xj=(x1j,x2j,x3j,...xnj);
输入信号Pj(n)通过输入权值矩阵Win进入隐含层,隐含层激励函数采用双曲正切函数,则概念机网络的更新被描述为:
xj(n+1)=tanh(w*xj(n)+winpj(n+1)+b)
其中,x是隐含层的状态向量,Win为N*1维输入权值连接,b为偏置量;输入连接权值和偏置量均为随机值,且不在训练过程中改变;由于双曲正切激励函数tanh(),使得隐含层的状态空间被限定在(-1,1);初始时,神经元之间的连接可采用随机连接,其连接强度由一个N*N的权值矩阵W*表示,W*是内部连接矩阵;当神经网络由输入信号Pj(n)驱动时,N维的兴奋神经元状态{Xj}位于一个状态星云中,其几何特征由该输入信号决定;
对于隐含层状态序列x(1),x(2),...x(L),构建如下的代价函数:
其中C为概念机矩阵,它描述了隐含层状态空间的特征,α≥0是一个调节参数,通过调节α找到一个使目标函数最小化的平衡点,通过随机梯度下降法得到概念机C;
C(R,α)=R(R+α-2I)-1
其中,R=XXT/L为状态相关矩阵,X为上述N维的兴奋神经元状态空间矩阵,XT为状态空间矩阵X的转置,L为隐含层状态序列的长度;
每类图像对应一个概念机Ci,每类图像所对应的正项判断依据为:
h+=xTCi +x,i为图像类别的数量;
当V2层有水平、右对角、竖直和左对角四个方向上的神经元集群时,先分别计算V2层神经元在水平、右对角、竖直和左对角四个空间方位上的概念机C,分别得到CH,CLD,CV,CRD;再根据不同方向上的概念机计算对应方向上的正向判据hH、hLD、hV和hRD,并最终得道加强判据:
h+=(hH+hLD+hV+hRD)/4
当V2层有0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°,180°八个方向上的神经元集群时,先分别计算V2层神经元在八个空间方位上的概念机C1,c2,C3,C4,C5,C6,C7和C8,再根据不同方向上的概念机计算对应方向上的正向判据h1、h2、h3、h4、h5、h6、h7和h8,并最终得道加强判据:
h+=(h1+h2+h3+h4+h5+h6+h7+h8)/8;
计算被分类图像在各分类类别的加强正项判据xTC1 +x,xTC2 +x...xTCi +x,由此确定j=argmax xTCi +x为该图像的分类判断依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063141.2A CN109190708A (zh) | 2018-09-12 | 2018-09-12 | 基于视觉皮层处理机制的概念机神经网络图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063141.2A CN109190708A (zh) | 2018-09-12 | 2018-09-12 | 基于视觉皮层处理机制的概念机神经网络图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190708A true CN109190708A (zh) | 2019-01-11 |
Family
ID=64910646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811063141.2A Pending CN109190708A (zh) | 2018-09-12 | 2018-09-12 | 基于视觉皮层处理机制的概念机神经网络图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190708A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175655A (zh) * | 2019-06-03 | 2019-08-27 | 中国科学技术大学 | 数据识别方法及装置、存储介质及电子设备 |
CN111539461A (zh) * | 2020-04-15 | 2020-08-14 | 苏州万高电脑科技有限公司 | 利用视觉不变性特征实现图像分类的方法、系统、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9224068B1 (en) * | 2013-12-04 | 2015-12-29 | Google Inc. | Identifying objects in images |
CN106326902A (zh) * | 2016-08-30 | 2017-01-11 | 刘广海 | 基于显著性结构直方图的图像检索方法 |
CN107194437A (zh) * | 2017-06-22 | 2017-09-22 | 重庆大学 | 基于Gist特征提取与概念机递归神经网络的图像分类方法 |
CN108304856A (zh) * | 2017-12-13 | 2018-07-20 | 中国科学院自动化研究所 | 基于皮层丘脑计算模型的图像分类方法 |
CN108416391A (zh) * | 2018-03-16 | 2018-08-17 | 重庆大学 | 基于视觉皮层处理机制及脉冲监督学习的图像分类方法 |
-
2018
- 2018-09-12 CN CN201811063141.2A patent/CN109190708A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9224068B1 (en) * | 2013-12-04 | 2015-12-29 | Google Inc. | Identifying objects in images |
CN106326902A (zh) * | 2016-08-30 | 2017-01-11 | 刘广海 | 基于显著性结构直方图的图像检索方法 |
CN107194437A (zh) * | 2017-06-22 | 2017-09-22 | 重庆大学 | 基于Gist特征提取与概念机递归神经网络的图像分类方法 |
CN108304856A (zh) * | 2017-12-13 | 2018-07-20 | 中国科学院自动化研究所 | 基于皮层丘脑计算模型的图像分类方法 |
CN108416391A (zh) * | 2018-03-16 | 2018-08-17 | 重庆大学 | 基于视觉皮层处理机制及脉冲监督学习的图像分类方法 |
Non-Patent Citations (1)
Title |
---|
钟玲: "回响状态网络及概念机网络的储备池模型优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175655A (zh) * | 2019-06-03 | 2019-08-27 | 中国科学技术大学 | 数据识别方法及装置、存储介质及电子设备 |
CN111539461A (zh) * | 2020-04-15 | 2020-08-14 | 苏州万高电脑科技有限公司 | 利用视觉不变性特征实现图像分类的方法、系统、装置 |
CN111539461B (zh) * | 2020-04-15 | 2023-09-19 | 苏州万高电脑科技有限公司 | 利用视觉不变性特征实现图像分类的方法、系统、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN110210563B (zh) | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 | |
CN110991299B (zh) | 一种物理域上针对人脸识别系统的对抗样本生成方法 | |
CN109584337A (zh) | 一种基于条件胶囊生成对抗网络的图像生成方法 | |
CN108510194A (zh) | 风控模型训练方法、风险识别方法、装置、设备及介质 | |
CN108416391A (zh) | 基于视觉皮层处理机制及脉冲监督学习的图像分类方法 | |
CN108805270A (zh) | 一种基于存储器的卷积神经网络系统 | |
CN108133188A (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN110148120A (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
CN108596327A (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN105631415A (zh) | 一种基于卷积神经网络的视频行人识别方法 | |
CN107590442A (zh) | 一种基于卷积神经网络的视频语义场景分割方法 | |
CN105068644A (zh) | 一种基于卷积神经网络的p300脑电信号检测方法 | |
CN108280814A (zh) | 基于感知损失的光场图像角度超分辨率重建方法 | |
CN107909008A (zh) | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 | |
CN110490265B (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
Zambrano et al. | Efficient computation in adaptive artificial spiking neural networks | |
CN110598552A (zh) | 基于改进粒子群算法优化卷积神经网络的表情识别方法 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
CN113627282A (zh) | 一种基于深度迁移学习的茶叶病害识别方法 | |
CN107633293A (zh) | 一种领域自适应方法及装置 | |
CN108596264A (zh) | 一种基于深度学习的社区发现方法 | |
CN106980831A (zh) | 基于自编码器的自亲缘关系识别方法 | |
CN109190708A (zh) | 基于视觉皮层处理机制的概念机神经网络图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |