受生物啟發(fā)的物體識別算法研究.pdf

1、生物視覺系統(tǒng)是人類已知的最為強大和完善的視覺系統(tǒng)，其結(jié)構(gòu)特點和運行機制對計算機視覺模型有重要的啟發(fā)意義。近幾十年來，對生物視覺系統(tǒng)的研究取得了非常豐富的研究成果?；诂F(xiàn)有計算機架構(gòu)，可以從這些研究成果中總結(jié)出具有啟發(fā)意義的生物機制，用于指導(dǎo)物體識別算法的設(shè)計與建構(gòu)。
　　本文從計算機視覺系統(tǒng)整體設(shè)計的角度，通過對基本生物機制的分析，探討它們與計算機視覺模型之間的聯(lián)系。根據(jù)對生物機制的分析，總結(jié)了計算機模型設(shè)計的指導(dǎo)性原則，認(rèn)為在設(shè)

2、計物體識別算法時，應(yīng)考慮分層結(jié)構(gòu)、感受野、底層特征學(xué)習(xí)、計算的局部性、結(jié)構(gòu)的一致性、信號反饋以及注意力選擇等方面的特性。利用這些指導(dǎo)性原則，對相關(guān)物體識別算法的優(yōu)缺點進行了分析，并應(yīng)用到實際的模型設(shè)計中:
　　1.利用分層結(jié)構(gòu)、底層特征學(xué)習(xí)、計算的局部性、結(jié)構(gòu)的一致性以及信號反饋等生物啟發(fā)的特性，提出一種多層在位學(xué)習(xí)網(wǎng)絡(luò)。即利用統(tǒng)一的神經(jīng)元模型構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，在同樣的學(xué)習(xí)框架中整合無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)，通過軟性監(jiān)督的方式將監(jiān)督信

3、息自上而下傳遞，避免了反向傳播網(wǎng)絡(luò)的局部極小問題和梯度消失問題。模型通過對環(huán)境與任務(wù)的學(xué)習(xí)與適應(yīng)得到分層的特征表示和自下而上逐漸增強的特征不變性。軟性監(jiān)督信號有效地提高了神經(jīng)元的類型純度，有利于改善特征不變性并提升分類性能。分層的特征不變性可以在不同任務(wù)間共享，加快新任務(wù)的學(xué)習(xí)速度。
　　2.在多層在位學(xué)習(xí)網(wǎng)絡(luò)模擬多個皮層結(jié)構(gòu)的基礎(chǔ)上，對皮層內(nèi)部功能層進行了建模，實驗表明皮層內(nèi)部無監(jiān)督與有監(jiān)督功能的分離是必要的。另外在皮層內(nèi)部結(jié)構(gòu)

4、上模擬了自適應(yīng)的側(cè)向連接權(quán)重，網(wǎng)絡(luò)通過自適應(yīng)學(xué)習(xí)得到形如墨西哥帽的側(cè)向連接權(quán)重，這種特性有助于自組織特征映射的形成以及建構(gòu)更接近生物機制的物體識別算法。
　　3.利用分層結(jié)構(gòu)、感受野、底層特征學(xué)習(xí)、結(jié)構(gòu)的一致性以及信號反饋等生物啟發(fā)的特性，選擇多層神經(jīng)網(wǎng)絡(luò)最優(yōu)的底層特征設(shè)定方式。通過一個完整的物體識別任務(wù)，比較了不同的底層特征感受野設(shè)定方式。在實驗中，生物啟發(fā)的底層特征學(xué)習(xí)方式取得了最高的識別率，并且生成與簡單細胞感受野非常相似的