DE19924009C2 - Mustersuche - Google Patents
MustersucheInfo
- Publication number
- DE19924009C2 DE19924009C2 DE19924009A DE19924009A DE19924009C2 DE 19924009 C2 DE19924009 C2 DE 19924009C2 DE 19924009 A DE19924009 A DE 19924009A DE 19924009 A DE19924009 A DE 19924009A DE 19924009 C2 DE19924009 C2 DE 19924009C2
- Authority
- DE
- Germany
- Prior art keywords
- search
- parameter
- reference pattern
- search field
- parameters
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
Die vorliegende Erfindung bezieht sich auf ein technisch im
plementierbares Verfahren zur Suche eines Referenzmusters in
einem Suchfeld.
Unter Muster im Sinne der vorliegenden Beschreibung ist jede
2- oder mehrdimensionale Darstellung von physikalischen Grö
ßen oder allgemein sensorischer Information zu verstehen. Ein
Muster in diesem Sinne kann somit durch eine 2- oder mehrdi
mensionale Matrix vorbestimmter Parameter gekennzeichnet wer
den. Entsprechendes gilt auch für das Suchfeld, das somit ei
ne 2- oder mehrdimensionale Darstellung physikalischer Größen
oder sensorischer Information darstellt. Durch das Muster
suchverfahren soll das Referenzmuster in dem Suchfeld gefun
den werden. Dabei können in dem Suchfeld neben dem Referenz
muster auch andere teilweise sehr ähnliche Muster vorliegen,
die Distraktoren genannt werden.
Aus dem Stand der Technik ist es bekannt, im Hinblick auf ei
nen effizienten Suchvorgang Erkenntnisse der Neurowissen
schaften (Neuroinformatik, Neurobiologie) zu verwerten, da
biologische neuronale Systeme wie z. B. das menschliche Gehirn
Mustersuchaufgaben in de Regel effizient lösen.
Im folgenden soll Stand der Technik genannt werden, der ver
schiedene Ansätze darstellt, die aus den Neurowissenschaften
bekannt sind.
Zwei prinzipielle Arten der Suche bzw. der Erkennung werden
unterschieden, nämlich die Merkmalssuche und die Verbindungs-
bzw. Konjunktionssuche (vgl. A. Treisman und S. Sato, "con
junction search revisited", Journal of experimental Psycholo
gy: Human Perception and Performance, 16, 459-478). Bei einer
Merkmalssuchaufgabe unterscheidet sich das Zielobjekt von den
Distraktoren nur in einem jeweils gleichen Merkmalstyp (im
folgenden Parameter genannt), beispielsweise nur in der Form.
Hier ist anzumerken, daß in der folgenden Beschreibung der
Begriff Parameter beispielsweise die Form, Farbe oder Größe
eines Musters kennzeichnet, beispielsweise groß und klein für
den Parameter Größe, dreieckig, viereckig und rund für den
Parameter Form usw., die Werte darstellen, die die Parameter
einnehmen können. Diese Werte werden bei einer technischen
Realisierung beispielsweise durch logische Signale codiert
dargestellt. In einer Verbindungssuchaufgabe werden die Di
straktorobjekte in verschiedenen Gruppen zusammengefaßt. Das
Zielmuster unterscheidet sich von jeder Distraktorengruppe in
einem Parameter, aber nicht von allen Distraktorengruppen
durch den gleichen Parameter. Man kann beispielsweise zwi
schen einer Standard- und einer Dreifach-Verbindungssuche un
terscheiden. Bei einer Standard-Verbindungssuche gibt es zwei
Distraktorengruppen die jeweils zwei Parameter aufweisen, und
das Zielmuster hat jeweils einen Parameterwert mit jeder Di
straktorengruppe gemeinsam. Bei einer Dreifach-
Verbindungssuche kann sich das Zielmuster von allen Distrak
torengruppen in einem oder mehreren Parametern unterscheiden.
Es wurde ein Modell vorgeschlagen, bei dem nach einer ersten
parallelen Suche eine Wettbewerbssuche initiiert wird, die
durch das Erkennen nur eines einzigen Musters beendet wird,
nämlich des Zielobjektes (M. Usher und E. Niebur, "Modeling
the temporal dynamics of IT neurons in visual search:
A mechanism for top-down selective attention", Journal of Co
gnitive Neuroscience, 8, 311-327). Das Modell beruht dabei
auf einem neuronalen Ansatz für eine objektorientierte Erken
nung, wobei verschiedene visuelle Stimulierungswerte, wie z. B.
Form, Farbe, Größe etc., durch miteinander in Wettbewerb
stehende und gegenseitig inhibitorische Zellanordnungen dar
gestellt sind.
Nachteil des oben angeführten Standes der Technik ist es, daß
verfügbare Lösungen für eine technische Realisierung oder
Implementierung des Mustersuchvorgangs dabei keine Rolle
spielen. Dieses Problem besteht allgemein, wenn bei der Rea
lisierung technischer Systeme Anleihen auf nichttechnischen
Gebieten wie z. B. der Neurobiologie genommen werden.
Aus DE 196 52 925 A1 ist ein Verfahren zur Mustererkennung
bekannt. Bei diesem Verfahren werden Positionen von Merkmalen
in einem Bild bestimmt. Aus unterschiedlichen Positionen von
unterschiedlichen Merkmalen wird anschließend ein Muster er
kannt.
Es ist daher Aufgabe der vorliegenden Erfindung, eine Technik
zur Mustersuche bereitzustellen, die technisch gut realisier
bar ist. Möglichst sollte dabei die Effizienz biologischer
Systeme im Großen und Ganzen beibehalten werden können.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß
Anspruch 1 gelöst, wobei die Unteransprüche bevorzugte Wei
terbildungen der Erfindung darlegen.
Anspruch 7 betrifft eine besondere Anwendung des erfindungs
gemäßen Verfahrens bei der automatisierten Suche von Gegens
tänden, die durch einen Roboter aufgegriffen werden sollen,
wobei in diesem Fall ein Referenzmuster einen Gegenstand dar
stellt. Bei dieser Anwendung können beispielsweise Gegenstän
de, die durch den Roboter aufgegriffen werden sollen, an ei
nem Fließband im Bereich eines Roboterarms vorbeigefahren
werden.
Es wird also ein Verfahren zur Suche eines Referenzmusters in
einem Suchfeld vorgeschlagen. Das Referenzmuster ist dabei
durch vorbestimmte Parameter gekennzeichnet. Wenigstens eine
topographische Abbildung des Suchfelds wird pro Parameter er
zeugt. Pegel an den jeweiligen Positionen der topographischen
Abbildung hängen dabei von dem Wert des entsprechenden Para
meters an der entsprechenden Position in dem Suchfeld ab. Die
Pegel der topographischen Abbildung werden abhängig von den
Werten der Parameter des Referenzmusters verändert. Somit
findet eine dynamische Veränderung der topographischen Abbil
dungen statt. Die jeweiligen Pegel einer jeden Position der
veränderten topographischen Abbildungen werden zur Erzeugung
einer kombinierten topographischen Abbildung kombiniert. Das
Referenzmuster gilt dann an derjenigen Position des Suchfelds
gefunden, die derjenigen Position der kombinierten topogra
phischen Abbildung entspricht, die den höchsten Pegel auf
weist.
Das oben angeführte Verfahren kann vollständig parallel bzw.
quasi-parallel ausgeführt werden. Vorteilhafterweise weist
das Verfahren keinerlei Rückführschleife auf, was die techni
sche Realisierung weniger kompliziert macht. Die Dynamik des
Verfahrens liegt in der jeweiligen Veränderung der Pegel der
topographischen Abbildungen. Diese Veränderung findet für je
den Parameter getrennt statt. Auch dies bringt Vorteile ge
genüber einer Realisierung mit einer Rückführschleife, bei
der bei jedem Iterationsschritt sämtliche Verfahrensschritte
neu durchlaufen werden müssen.
Pro Parameter kann eine Gruppe bestehend aus mehreren topo
graphischen Abbildungen des Suchfelds erzeugt werden. Für je
den Wert, den der entsprechende Parameter einnehmen kann,
wird eine topographische Abbildung erzeugt.
Die Veränderung der Pegel der topographischen Abbildungen
kann abhängig von den Werten der Parameter des Referenzmu
sters durch eine Wechselwirkung jeweils der topographischen
Abbildungen einer Gruppe untereinander erfolgen.
In dem Schritt der Veränderung der Pegel der topographischen
Abbildungen können die Pegel der topographischen Abbildungen
abhängig von ihrer jeweiligen Übereinstimmung mit den tat
sächlichen Werten der Parameter des Referenzmusters verändert
werden.
Die Erzeugung der topographischen Abbildungen kann durch eine
parallele oder pseudo-parallele (quasi-parallele) Verarbei
tung der Information des Suchfelds erfolgen.
Auch die Pegel der kombinierten topographischen Abbildung
können dynamisch verändert werden, wobei Pegel, die über ei
nem vorbestimmten Grenzwert liegen, erhöht werden und Pegel,
die kleiner oder gleich dem vorbestimmten Grenzwert sind,
verringert werden. In einem Endzustand können somit die Pegel
der kombinierten topographischen Abbildung dahingehend kon
vergieren, daß nur noch eine Position einen vorbestimmten Pe
gel aufweist.
Eine bevorzugte Anwendung der vorliegenden Erfindung liegt in
der Robotik. Beispielsweise können Gegenstände, die durch ei
nen Roboter aufgegriffen werden sollen, durch das Verfahren
automatisiert gesucht werden. Mit anderen Worten, das Refe
renzmuster stellt einen aufzugreifenden Gegenstand dar.
Fig. 1 ein Beispiel eines Suchfelds mit mehreren Mu
stern, aus denen ein Referenzmuster gefunden werden
soll,
Fig. 2 eine schematische Darstellung der Suche eines
Referenzmusters,
Fig. 3 einen durch Simulation erhaltenen Graphs der Ab
hängigkeit der Suchzeit von der Rahmengröße für ver
schiedene Suchtypen,
Fig. 4, 5 und 6 verschiedene Aktivitätsraten abhängig
von der Zeit für verschiedene Suchtypen in den ersten
Verarbeitungseinrichtungen als Simulationsergebnisse,
und
Fig. 7 verschiedene Aktivitätsraten abhängig von der
Zeit für verschiedene Suchtypen in den zweiten Verarbei
tungseinrichtungen als Simulationsergebnisse.
In Fig. 1 ist ein Suchfeld mit mehreren Mustern dargestellt,
wobei eines der Muster gefunden werden soll. Das Suchfeld ist
beispielsweise in neun Abschnitte aufgeteilt, wobei jeder Ab
schnitt durch eine horizontale Koordinate i (i = 1, 2, 3) und
eine vertikale Koordinate j (j = 1, 2, 3) definiert ist. Jeder
Abschnitt des Suchfelds des in Fig. 1 gezeigten Beispieles
beinhaltet ein Muster. Jedes Muster ist durch K Parameter ge
kennzeichnet, im vorliegenden Beispiel durch die drei Parame
ter Form, Größe und Farbe. Der erste Parameter (k = 1) Farbe
kann L = 3 Parameterwerte einnehmen, nämlich dreieckig, vierec
kig und rund. Der zweite Parameter (k = 2) Größe kann L = 2 Werte
einnehmen, nämlich groß und klein und der dritte Parameter
(k = 3) Farbe kann L = 2 Werte weiß und schwarz einnehmen, wobei
in Fig. 1 der Wert schwarz durch eine Strichelung der jewei
ligen Objekte dargestellt ist.
Somit ist das beispielsweise im Abschnitt (i = 1, j = 1) darge
stellte Muster durch die Parameterwerte viereckig, klein und
schwarz gekennzeichnet, das Muster im Abschnitt (i = 3, j = 2)
durch die Parameterwerte dreieckig, groß und weiß, usw.
In Fig. 2 ist schematisch die Suche eines Referenzmusters
dargestellt, wobei als Beispiel das in Fig. 1 gezeigte Such
feld mit neun Abschnitten zugrunde gelegt ist. Das Suchsystem
umfaßt Erfassungsmittel 2, die die Parameterwerte der Muster
im Suchfeld erfassen und entsprechende Erfassungsinformatio
nen an erste Verarbeitungsmittel 3 ausgeben. Im in Fig. 2
dargestellten Beispiel umfaßt das Suchsystem neun Erfassungs
mittel 2, die jeweils einem Abschnitt (i, j) des in Fig. 1
dargestellten Suchfelds zugeordnet sind. Im dargestellten
Beispiel erfaßt somit jedes Erfassungsmittel 2, das bei
spielsweise ein Photodetektor, ein Infrarotdetektor oder der
gleichen sein kann, die Parameterwerte des im entsprechenden
Abschnitt des Suchfelds angeordneten Musters. Die Erfassungs
mittel 2 können also jeweils gleichzeitig die drei Parameter
Form, Größe und Farbe detektieren. Alternativ kann jedem Ab
schnitt des Erfassungsbereiches ein jeweiliges Erfassungsmit
tel 2 für jeden Parameter zugeordnet sein, so daß z. B. im in
Fig. 2 dargestellten Beispiel jeder Abschnitt (i, j) des Er
fassungsbereiches durch drei Erfassungsmittel 2 jeweils für
die Größe, die Form und die Farbe des Objektes abgetastet
werden kann. Als weitere Alternative wäre es möglich, jedem
Abschnitt des Suchfelds eine Vielzahl von Erfassungsmitteln
zuzuordnen.
Die ersten Verarbeitungsmittel 3 verarbeiten die Erfassungs
informationen von den Erfassungsmitteln 2 parallel oder qua
si-parallel und für jeden Parameter getrennt unter Verwendung
von Parameterinformationen von der Speichereinrichtung 1. Die
Parameterinformationen in der Speichereinrichtung 1 enthalten
die Parameterwerte des Referenzmusters, das in dem Suchfeld
gefunden werden soll. Die für jeden Parameter getrennte Ver
arbeitung der Erfassungsinformationen durch die ersten Verarbeitungsmittel
3 ist in Fig. 2 durch die Aufteilung der er
sten Verarbeitungsmittel 3 in drei Parameternetze (k = 1, k = 2
und k = 3) dargestellt, wobei jedes Parameternetz wiederum in
parallele Unternetze 5 für jeden Parameterwert des entspre
chenden Parameters unterteilt ist. Jedes Parameternetz stellt
somit eine topographische Abbildung des Suchfelds bezüglich
des entsprechenden Parameters dar.
Das erste Parameternetz (k = 1), das beispielsweise dem Parame
terwert Größe für das in Fig. 1 gezeigte Beispiel zugeordnet
ist, enthält somit drei parallele Unternetze 5, eines für je
de der drei möglichen Parameterwerte viereckig, dreieckig und
rund. Entsprechend weisen die anderen Parameternetze (k = 2,
k = 3) jeweils zwei Unternetze 5 auf.
Es ist anzumerken, daß sich die Begriffe Parameternetz und
Unternetz auf ihre Ausbildung als neuronales Netz beziehen,
wobei jedes erste Verarbeitungsmittel der Unternetze 5 nach
Art einer Ansammlung von vollständig miteinander verbundenen
exzitatorischen Neuronen ausgebildet ist. Wie aus dem Schema
von Fig. 2 zu erkennen ist, ist dabei jedes erste Verarbei
tungsmittel 3 bzw. jede Ansammlung von Neuronen einem ent
sprechenden Abschnitt des Suchfelds zugeordnet, so daß im
vorliegenden Beispiel jedes Unternetz 9 erste Verarbeitungs
mittel 3 aufweist, die in den entsprechenden Abschnitten
(i, j) des Suchfelds entsprechen.
Die ersten Verarbeitungsmittel 3 bzw. die jeweiligen Ansamm
lungen von Neuronen innerhalb jedes Unternetzes 5 und die Un
ternetze 5 innerhalb eines jeweiligen Parameternetzes sind
nach Art einer inhibitorischen Verbindung 6 miteinander ge
koppelt, was durch einen Pool inhibitorischer Neuronen ver
deutlicht werden kann. Dabei sind die im Schema von Fig. 2
mit durchgezogenen Linien dargestellten Verbindungen exzita
torisch und die mit gestrichelten Linien gezeigten Verbindun
gen inhibitorisch. Jedes Parameternetz, hat somit einen unab
hängigen Pool inhibitorischer Neuronen, was in einem neuro
physiologischen Gleichnis entspricht, daß die Antwort von
Neuronen, die auf einen bestimmten Parameter empfindlich
sind, verstärkt wird und die Aktivität der anderen Neuronen,
die auf andere Parameter empfindlich sind, unterdrückt wird.
Jedes erste Verarbeitungsmittel 3 in jedem Unternetz 5 ist
einem entsprechenden Abschnitt des Suchfelds zugeordnet, d. h.
die ersten Verarbeitungsmittel 3 in jedem Unternetz topo
graphisch geordnet sind bzw. in einem Gleichnis gesprochen
die reziptiven Felder von Neuronen, die einem bestimmten Ab
schnitt zugeordnet sind, auf die am entsprechenden Abschnitt
des Suchfelds detektierten Erfassungsinformationen sensibel
sind. Hier ist anzumerken, daß jedes Erfassungsmittel 2 mit
jedem ersten Verarbeitungsmittel 3 verbunden ist. Im in Fig.
2 dargestellten Schema bedeutet das, daß jedes erste Erfas
sungsmittel 3 Erfassungsinformationen von jedem der neun Er
fassungsmittel 2 erhält. Weiterhin erhält jedes erste Verar
beitungsmittel 3 die Parameterinformationen bezüglich des Re
ferenzmusters von der Speichereinrichtung 1.
Die zweiten Verarbeitungsmittel 4 verarbeiten die Verarbei
tungsinformationen von den ersten Verarbeitungsmitteln 3 und
geben Informationen aus, die zur Bestimmung der vermuteten
Position des Referenzmusters in dem Suchfeld dienen. Die
zweiten Verarbeitungsmittel 4 sind ebenfalls nach Art eines
neuronalen Netzes ausgebildet, wobei Verarbeitungsinformatio
nen verschiedener Abschnitte des Suchfelds parallel oder qua
si-parallel verarbeitet werden. Jeweils ein zweites Verarbei
tungsmittel 4 ist dabei einem Abschnitt des Suchfelds zugeordnet
und erhält Verarbeitungsinformationen jeweils nur von
den dem gleichen Abschnitt zugeordneten ersten Verarbeitungs
mitteln 3, wie aus dem Schema von Fig. 2 zu erkennen ist.
In anderen Worten bedeutet das, daß das zweite Verarbeitungs
mittel 4, das dem Abschnitt (i = 3, j = 3) zugeordnet ist, Verar
beitungsinformationen ausschließlich von den ersten Verarbei
tungsmitteln 3 erhält, die ebenfalls dem Abschnitt (i = 3, j = 3)
des Suchfelds zugeordnet sind. Die zweiten Verarbeitungsmit
tel 4 sind, wie die ersten Verarbeitungsmittel 3, jeweils, in
einem Gleichnis gesprochen nach Art einer Ansammlung von
vollständig miteinander verbundenen exzitatorischen Neuronen
ausgebildet, die untereinander nach Art einer inhibitorischen
Verbindung 6 miteinander gekoppelt sind. Die dergestalt nach
Art eines Rasters oder einer Schicht ausgebildeten zweiten
Verarbeitungsmittel 4 entsprechen somit dem Modell von IT
(inferrotemporalen) Neuronen, die eine positionsspezifische
Erhöhung der Aktivität durch Unterdrückung der Antworten der
anderen Positionen zugeordneten Ansammlungen zeigen. Entspre
chendes gilt für die Unternetze 5 der ersten Verarbeitungs
mittel 3.
Diese Ausgestaltung der zweiten Verarbeitungsmittel 4 ent
spricht einer dynamischen Ausbildung einer fokussierten Auf
merksamkeit ohne die explizite Annahme eines Fokussiermecha
nismus. Top-down-Informationen in Form von in der Spei
chereinrichtung 1 gespeicherten Parameterwerte des Referenz
musters werden sozusagen durch entsprechende exzitorische
Verbindungen zwischen der Speichereinrichtung 1 und jedem er
sten Verarbeitungsmittel 3 zugeführt. Die Erfassungsinforma
tionen und Parameterinformationen werden dabei von den ersten
Verarbeitungsmitteln 3 und den zweiten Verarbeitungsmitteln 4
für jeden Abschnitt des Suchfelds parallel oder quasi-
parallel verarbeitet, wobei eine größere Reaktionszeit einer
langsameren dynamischen Konvergenz auf allen Schichtebenen,
d. h. den Unternetzen 5 und der höherwertigen Schicht aus hö
herwertigen Verarbeitungsmitteln 4 entspricht.
Im folgenden wird ein Satz von Differentialgleichungen prä
sentiert, durch die das dynamische Verhalten des Suchvorgangs
charakterisiert werden kann. Unter Annahme eines ergodischen
Verhaltens wird unter der Verwendung der sogenannten mean
field-approximation ein dynamisches Gleichungssystem für die
Aktivitätspegel der die ersten und zweiten Verarbeitungsmit
tel 3 bzw. 4 bildenden Ansammlungen von Neuronen abgeleitet.
Die grundlegende Idee besteht darin, jede Anordnung von Neu
ronen mittels der jeweiligen Aktivität x und eines Eingangs
stromes I, der für alle Anordnungen von Neuronen charakteri
stisch ist, darzustellen, wobei gilt:
wobei F(I) die Antwortfunktion ist, die den Eingangsstrom I
in Entlade- bzw. Aktivitätsraten für ein Neuron (integrate
and fire spiking neuron) mit einem deterministischen Eingang,
einer Zeitmembrankonstante τ und einer absoluten refraktori
schen Zeit Tr umwandelt.
Das System von Differentialgleichungen, die das dynamische
Verhalten der Unternetze 5 beschreiben, sind:
wobei Iijkl(t) der Eingangsstrom für die Neuronenansammlung
mit einem rezeptiven Feld beim Abschnitt ij des Parameternet
zes k ist, in der der Parameterwert l analysiert wird, IP k(t)
der Strom in dem inhibitorischen Pool ist, der mit den Unter
netzen 5 des Parameters k gekoppelt ist und S die Rahmengröße
(Größe des Suchfelds) darstellt. I0 ist ein diffuses sponta
nes Hintergrundeingangssignal, IF ijkl ist der sensorische Ein
gang, d. h. das Erfassungsinformationssignal von den Erfas
sungsmitteln 2 zu den ersten Verarbeitungsmitteln 3 im Para
meternetz k, die auf den Parameterwert l empfindlich sind und
reziptive Felder im Abschnitt ij des Suchfelds aufweisen, wo
bei dieser Eingang die Anwesenheit des entsprechenden Parame
terwertes an dem entsprechenden Abschnitt charakterisiert,
und IA kl die Parameterinformationen von der Speichereinrich
tung 1 sind. ν ist das additive Gauss-Rauschen, τ die synap
tische Zeitkonstante für die exzitatorischen Verbindungen und
τP die synaptische Zeitkonstante für die inhibitorischen Ver
bindungen. a, b, c und d sind die synaptischen Gewichtungen.
Bei den in den Fig. 3 bis 6 dargestellten Simulationser
gebnissen wurden folgende Werte verwendet: ν = 0,002,
τ = 5 [msec], τP = 20 [msec], a = 0,95, b = 0,8, c = 2,0, d = 0,1, I0 = 0,025.
Für IF ijkl wurde der Wert 0,05 bei Anwesenheit des entsprechen
den Parameterwertes 1 und der Wert 0 bei der Abwesenheit des
entsprechenden Parameterwertes 1 angenommen. Für die Parame
terinformation IA kl wurde ein Wert von 0,005 für die Unternet
ze 5 angenommen, die die entsprechenden Parameterwerte des
Referenzmusters analysieren und ein Wert von 0 für die ande
ren Unternetze angenommen.
Für die dynamischen Eigenschaften der zweiten Verarbeitungs
mittel 4 in der höherwertigen Verarbeitungsschicht wird das
folgende Differentialgleichungssystem verwendet:
wobei IH ij(t) der Eingangsstrom für die Neuronenansammlung mit
einem reziptiven Feld beim Abschnitt ij, IPH(t) der entspre
chende Strom des inhibitorischen Pools, τH die synaptische
Zeitkonstante für die exzitatorischen Verbindungen, τPH die
synaptische Zeitkonstante für die inhibitorischen Verbindun
gen und , , , und die synaptischen Gewichtungen
sind. Für die Simulationsergebnisse von Fig. 3 und Fig. 7
wurden folgende Werte angenommen: τH = 5 [msec], τPH = 20 [msec],
= 0,95, = 0,8, = 1,0, = 1,0, und = 0,1.
Das obige System von Differentialgleichungen wurde für die in
den Fig. 3 bis 7 gezeigten Simulierungen numerisch inte
griert, bis ein Konvergenzkriterium erreicht wurde. Dieses
Konvergenzkriterium bestand darin, daß die Neuronen in den
zweiten Verarbeitungsmitteln 4 bzw. der entsprechenden höher
wertigen Verarbeitungsschicht polarisiert sind, was der fol
genden Bedingung entspricht:
wobei der Index imaxjmax die Neuronenanordnung der zweiten Ver
arbeitungsmittel 4 der höherwertigen Schicht mit maximaler
Aktivität kennzeichnet und der Schwellenwert θ = 0,1 angenommen
wurde. Der zweite Term auf der linken Seite der obigen Glei
chung entspricht der mittleren Distraktoraktivität.
Bei jedem Parameter ist der feste Punkt des dynamischen Ver
haltens durch die Aktivität der Neuronenanordnungen in den
Unterschichten mit dem gleichen Parameterwert wie das Refe
renzmuster und in Übereinstimmung mit Distraktorenobjekten
gegeben, die diesen Parameterwert aufweisen. Wenn beispiels
weise das Referenzmuster rot ist, wird in dem Parameternetz
für die Farbe die Aktivität der dem Parameterwert grün zuge
ordneten Unterschicht 5 unterdrückt und die roten Distrakto
renobjekten entsprechenden Neuronenanordnungen werden ver
stärkt. In der höherwertigen Schicht der zweiten Verarbei
tungsmittel 4 werden die Neuronenanordnungen, die Abschnitten
ij entsprechen, die in allen Parameternetzen maximal akti
viert sind, verstärkt, während die anderen unterdrückt wer
den. In anderen Worten wird das zweite Verarbeitungsmittel,
das dem Abschnitt ij entspricht, der alle Parameterwerte
zeigt, die stimuliert werden und entsprechend den Paramete
rinformationen des Referenzmusters erforderlich sind, ver
stärkt aktiviert, wodurch der entsprechende Abschnitt ij des
Suchfelds als derjenige Abschnitt bestimmt wird, in dem sich
das Referenzmuster befindet.
In den Fig. 3 bis 7 sind Simulationsergebnisse darge
stellt, die unter Verwendung der obigen Differentialgleichun
gen mit den angegebenen Parameterwerten ermittelt wurden.
Fig. 3 zeigt die Abhängigkeit der Suchzeit T von der Rahmen
größe S für verschiedene Sucharten. Die verschiedenen Suchar
ten sind als m, n-Suche jeweils durch ein Paar von Zahlen m
und n gekennzeichnet, wobei m die Anzahl von Parametern ist,
durch die sich die Distraktorenmuster von dem Referenzmuster
unterscheiden, und n die Anzahl von Parametern ist, durch die
sich alle Distraktorengruppen gleichzeitig von dem Referenz
muster unterscheiden. In anderen Worten entspricht die oben
angesprochene Suche einer 1,1-Suche, eine Standard-
Verbindungssuche entspricht einer 2,1-Suche und eine Drei
fach-Verbindungssuche kann eine 3,1- oder eine 3,2-Suche
sein, abhängig davon, ob sich das Referenzmuster von allen
Distraktorengruppen in einem oder zwei Parametern unterschei
det.
Bei den in den Fig. 3 bis 7 gezeigten Simulationsergebnis
sen wurde angenommen, daß die Muster im Suchfeld durch drei
Parameter, beispielsweise Farbe, Größe und Form definiert
sind, wobei jeder Parameter zwei Parameterwerte annehmen
kann. Für jede Suche wurde das Experiment hundertmal wieder
holt, jedes Mal mit unterschiedlichen zufällig erzeugten Di
straktoren und Referenzmustern. Als Ergebnis ist in Fig. 3
der Mittelwert T der hundert simulierten Reaktionszeiten in
ms als Funktion der Rahmengröße S für eine 1,1-Suche, eine
3,2-Suche, eine 2,1-Suche und eine 3,1-Suche dargestellt. Die
Steigung der Reaktionszeit gegenüber der Rahmengröße ist ab
solut konsistent mit den vorhandenen experimentellen Ergeb
nissen. Entsprechend den experimentellen Ergebnissen zeigt
das Simulationsergebnis von Fig. 3 für die 1,1-Suche, daß
das Referenzmuster durch eine parallele Verarbeitung im ge
samten Suchfeld detektiert wird. Weiterhin zeigen die in
Fig. 3 gezeigten Simulationsergebnisse für die Standard-
Verbindungssuche und die Dreifach-Verbindungssuche, daß die
Reaktionszeit eine lineare Funktion der Größe des Suchfelds
ist, wobei die Steigung der Dreifach-Verbindungssuche für die
3,1-Suche etwas steiler und für die 3,2-Suche wesentlich fla
cher als die 2,1-Suche bzw. Standardsuche ist.
In den Fig. 4 bis 6 sind die Aktivitätsraten in den ein
zelnen Parameternetzen, die durch die drei Zweige der ersten
Verarbeitungsmittel 3 gegeben sind, dargestellt, wobei in je
der der Figuren entsprechend drei Kurven für die Referenzmu
ster-Aktivität und drei Kurven für die Distraktoren darge
stellt sind. Fig. 4 zeigt das Simulationsergebnis für eine
1,1-Suche, Fig. 5 zeigt das Simulationsergebnis für eine
2,2-Suche und Fig. 6 zeigt das Simulationsergebnis für eine
3,1-Suche. Es ist zu erkennen, daß im Fall der 1,1- und der
3,2-Suche die Konvergenzzeiten in allen Parameternetzen sehr
gering sind und somit diese Sucharten als Suchen mit paralle
ler Verarbeitung erscheinen. Im Falle der 3,1-Suche erfordert
die Verzögerung des dynamischen Verhaltens mehr Zeit und so
mit erscheint diese Suchart als Suche mit serieller Verarbei
tung obwohl der zugrundeliegende Verarbeitungsmechanismus
parallel arbeitet. In diesem Fall (Fig. 6) verzögert der in
nerhalb jedes Parameternetzes, d. h. für jeden Parameter,
vorhandene Wettbewerb die Konvergenz des dynamischen Verhal
tens für jeden Parameter und infolge dessen auch in dem hö
herwertigen Netz bzw. der höherwertigen Schicht der zweiten
Verarbeitungsmittel 4. Es wird auf die langsame Unterdrückung
der Distraktorenaktivität in Fig. 6 hingewiesen, die den zu
grundeliegenden Wettbewerb verdeutlicht. In Fig. 7 sind die
resultierenden Aktivitätsraten gegenüber der Zeit in dem hö
herwertigen Netz bzw. der höherwertigen Schicht der zweiten
Verarbeitungsmittel 4 für die gleichen Simulationswerte ge
zeigt, die auch den Fig. 3 bis 6 zugrundeliegen. In Fig.
7 ist deutlich die verzögerte Erreichung des Konvergenzkrite
riums bei der 3,1-Suche zu sehen.
Claims (7)
1. Verfahren zur Suche eines Referenzmusters, das vorbestimmte
Parameter aufweist, in einem Suchfeld,
aufweisend die folgenden Schritte:
aufweisend die folgenden Schritte:
- 1. a.) Getrennte Erzeugung (3, 6) wenigstens einer topographischen Abbildung des Suchfelds pro Parameter, wobei Pegel an den jeweiligen Positionen der topographischen Abbildung von dem Wert des entsprechenden Parameters an der entsprechenden Position in dem Suchfeld abhängen,
- 2. b.) Veränderung der Pegel der topographischen Abbildungen abhängig von den Werten der Parameter des Referenzmusters,
- 3. c.) Kombination der jeweiligen Pegel einer jeden Position der veränderten topographischen Abbildungen zur Erzeugung einer kombinierten topographischen Abbildung,
2. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
daß pro Parameter eine Gruppe an topographischen Abbildungen
des Suchfelds erzeugt wird, wobei für jeden Wert, den der
entsprechende Parameter einnehmen kann, eine topographische
Abbildung erzeugt wird.
3. Verfahren nach Anspruch 2,
dadurch gekennzeichnet,
daß die Veränderung der Pegel der topographischen Abbildungen
abhängig von den Werten der Parameter des Referenzmusters
durch eine Wechselwirkung jeweils der topographischen Abbil
dungn einer Gruppe untereinander erfolgt.
4. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß in dem Schritt b.) die Pegel der topographischen Abbil
dungen abhängig von ihrer Übereinstimmung mit den tatsächli
chen Werten der Parameter des Referenzmusters verändert wer
den.
5. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß die Erzeugung der topographischen Abbildungen durch eine
parallele oder pseudoparallele Verarbeitung der Informationen
des Suchfelds erfolgt.
6. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß nach Schritt c.) die Pegel der kombinierten topographi
schen Abbildung dynamisch verändert werden, wobei Pegel, die
über einem vorbestimmten Grenzwert liegen, erhöht werden und
Pegel, die kleiner oder gleich dem vorbestimmten Grenzwert
sind, verringert werden.
7. Anwendung des Verfahrens nach einem der vorhergehenden An
sprüche bei der automatisierten Suche von Gegenständen, die
durch einen Roboter aufgegriffen werden sollen, wobei das Re
ferenzmuster einen Gegenstand darstellt.
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19924009A DE19924009C2 (de) | 1999-05-26 | 1999-05-26 | Mustersuche |
US09/979,677 US6980689B1 (en) | 1999-05-26 | 2000-05-11 | Pattern recognition |
JP2001500210A JP2003500775A (ja) | 1999-05-26 | 2000-05-11 | パターンサーチ |
EP00938540A EP1192584A1 (de) | 1999-05-26 | 2000-05-11 | Mustersuche |
PCT/DE2000/001481 WO2000073979A1 (de) | 1999-05-26 | 2000-05-11 | Mustersuche |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19924009A DE19924009C2 (de) | 1999-05-26 | 1999-05-26 | Mustersuche |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19924009A1 DE19924009A1 (de) | 2000-12-07 |
DE19924009C2 true DE19924009C2 (de) | 2002-11-28 |
Family
ID=7909176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19924009A Expired - Fee Related DE19924009C2 (de) | 1999-05-26 | 1999-05-26 | Mustersuche |
Country Status (5)
Country | Link |
---|---|
US (1) | US6980689B1 (de) |
EP (1) | EP1192584A1 (de) |
JP (1) | JP2003500775A (de) |
DE (1) | DE19924009C2 (de) |
WO (1) | WO2000073979A1 (de) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR0310055A (pt) * | 2002-05-16 | 2005-02-15 | Bayer Cropscience Gmbh | Derivados de piridinacarboxamida pesticidas |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5014219A (en) * | 1988-05-06 | 1991-05-07 | White James A | Mask controled neural networks |
DE19652925A1 (de) * | 1996-12-18 | 1998-07-02 | Hans Dr Geiger | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5224179A (en) * | 1988-12-20 | 1993-06-29 | At&T Bell Laboratories | Image skeletonization method |
JPH03223976A (ja) * | 1990-01-29 | 1991-10-02 | Ezel Inc | 画像照合装置 |
US5903454A (en) * | 1991-12-23 | 1999-05-11 | Hoffberg; Linda Irene | Human-factored interface corporating adaptive pattern recognition based controller apparatus |
FR2693615B1 (fr) | 1992-07-07 | 1994-08-26 | Thomson Csf | Procédé d'identification d'objets dans une image. |
DE69634221T2 (de) * | 1995-03-31 | 2006-05-18 | Canon K.K. | Verfahren und Gerät zur Verarbeitung visueller Information |
US5657251A (en) * | 1995-10-02 | 1997-08-12 | Rockwell International Corporation | System and process for performing optimal target tracking |
-
1999
- 1999-05-26 DE DE19924009A patent/DE19924009C2/de not_active Expired - Fee Related
-
2000
- 2000-05-11 EP EP00938540A patent/EP1192584A1/de not_active Withdrawn
- 2000-05-11 WO PCT/DE2000/001481 patent/WO2000073979A1/de not_active Application Discontinuation
- 2000-05-11 JP JP2001500210A patent/JP2003500775A/ja not_active Withdrawn
- 2000-05-11 US US09/979,677 patent/US6980689B1/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5014219A (en) * | 1988-05-06 | 1991-05-07 | White James A | Mask controled neural networks |
DE19652925A1 (de) * | 1996-12-18 | 1998-07-02 | Hans Dr Geiger | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild |
Non-Patent Citations (2)
Title |
---|
TREISMAN, A., SATO, S.: "Conjunction Search Revisited" Journal of Experimental Psychology: Human Perception and Performance, 1990, Vol. 16, No. 3, S. 459-478 * |
USHER, M., NIEBUR, E.: "Modelling the Temporal Dynamics of IT Neurons in Visual Search: A Mechanism for Top-Down Selective Attention" Journal of Cognitive Neuroscience, 1996, Vol. 8, No. 4, S. 311-327 * |
Also Published As
Publication number | Publication date |
---|---|
EP1192584A1 (de) | 2002-04-03 |
JP2003500775A (ja) | 2003-01-07 |
DE19924009A1 (de) | 2000-12-07 |
WO2000073979A1 (de) | 2000-12-07 |
US6980689B1 (en) | 2005-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015121339B4 (de) | Systeme und verfahren zum ermitteln eines zustands einer fahrbahn | |
DE69937530T2 (de) | Verfahren zum automatischen Klassifizieren von Bildern nach Ereignissen | |
DE19634768A1 (de) | Vorrichtung und Verfahren zur Erfassung eines Gesichts in einem Videobild | |
DE102005046747B3 (de) | Verfahren zum rechnergestützten Lernen eines neuronalen Netzes und neuronales Netz | |
DE102018128531A1 (de) | System und Verfahren zum Analysieren einer durch eine Punktwolke dargestellten dreidimensionalen Umgebung durch tiefes Lernen | |
DE102019127282A1 (de) | System und Verfahren zum Analysieren einer dreidimensionalen Umgebung durch tiefes Lernen | |
DE112007000738B4 (de) | Filter für Störbewegungen | |
WO2019166361A1 (de) | Verfahren zum aufteilen eines oder mehrerer bilder einer probe in nach farbstoffen aufgeteilte bilddaten, computerprogrammprodukt, computerlesbares medium, auf dem das computerprogrammprodukt gespeichert ist, und system zum aufteilen eines oder mehrerer bilder einer probe in nach farbstoffen aufgeteilte bilddaten | |
DE19924009C2 (de) | Mustersuche | |
DE19705017A1 (de) | Verfahren zum Segmentieren eines digitalen Bildes | |
EP2023638A2 (de) | Verfahren zur Reduktion von Bildartefakten | |
EP3983934A1 (de) | Verfahren zum betreiben eines fahrassistenzsystems eines fahrzeugs und fahrerassistenzsystem für ein fahrzeug | |
EP1525442B1 (de) | Verfahren zur analyse von farbabweichungen von bildern mit einem bildsensor | |
EP0890153A1 (de) | Verfahren zur ermittlung von zur entfernung geeigneten gewichten eines neuronalen netzes mit hilfe eines rechners | |
EP1359539A2 (de) | Neurodynamisches Modell der Verarbeitung visueller Informationen | |
DE19834718C2 (de) | Digitale Bildverarbeitung für ein Qualitätskontrollsystem | |
EP0693200B1 (de) | Verfahren zur klassifizierung von objekten | |
DE19802261A1 (de) | Verfahren zur Signalverarbeitung von Zeitfolgen digitalisierter Bilder | |
WO2021043517A1 (de) | Verfahren zum komprimieren eines neuronalen netzes | |
EP2399241B1 (de) | Verfahren zur entropie-basierten bestimmung von objektrandkurven | |
DE102020208765A1 (de) | Bildklassifikator mit variablen rezeptiven Feldern in Faltungsschichten | |
EP0981802B1 (de) | Verfahren zur identifizierung von fingerabdrücken | |
DE19924008C2 (de) | Mustersuche | |
EP0846306B1 (de) | Verfahren zur berechnung und/oder analyse und/oder erkennung eines komplexen systems | |
EP3908984B1 (de) | Logikbaustein, insbesondere asic, zur durchführung neuronaler netzwerkberechnungen zum verarbeiten von daten mittels eines neuronalen netzwerks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |