Nouvelles

Aug 14, 2023

Analyse de simulation d'un modèle de perception visuelle basée sur un réseau neuronal couplé à des impulsions

Scientific Reports volume 13, Numéro d'article : 12281 (2023) Citer cet article 148 Accès 1 Détails d'Altmetric Metrics Les réseaux neuronaux à couplage d'impulsions fonctionnent bien dans de nombreux domaines tels que l'information

Rapports scientifiques volume 13, Numéro d'article : 12281 (2023) Citer cet article

148 accès

1 Altmétrique

Détails des métriques

Les réseaux neuronaux à couplage d'impulsions fonctionnent bien dans de nombreux domaines tels que la récupération d'informations, l'estimation de la profondeur et la détection d'objets. Basé sur la théorie des réseaux neuronaux à couplage d'impulsions (PCNN), cet article construit un cadre de modèle de perception visuelle et construit une véritable plate-forme de reproduction d'images. Le modèle analyse d'abord la structure et la capacité de généralisation du classificateur multiclasse du réseau neuronal, utilise le critère minimax de l'espace des caractéristiques comme critère de division du nœud de décision de perception visuelle, ce qui résout le problème de généralisation de l'algorithme d'apprentissage du réseau neuronal. Dans le processus de simulation, le seuil initial est optimisé par la méthode de variance inter-classes maximale bidimensionnelle, et afin d'améliorer les performances en temps réel de l'algorithme, la formule de récurrence rapide du réseau neuronal est dérivée et donnée. La méthode de segmentation d’images PCNN basée sur un algorithme génétique est analysée. L'algorithme génétique améliore la condition de terminaison de boucle et le réglage adaptatif des paramètres du modèle de l'algorithme de segmentation d'image PCNN, mais l'algorithme de segmentation d'image PCNN présente toujours le problème de la complexité. Afin de résoudre ce problème, cet article a proposé une méthode de segmentation d'images IGA-PCNN combinant l'algorithme amélioré et le modèle PCNN. Premièrement, il a utilisé l'algorithme génétique immunitaire amélioré pour obtenir de manière adaptative le seuil optimal, puis a remplacé le seuil dynamique du modèle PCNN par le seuil optimal, et enfin utilisé les caractéristiques de couplage d'impulsions du modèle PCNN pour compléter la segmentation de l'image. À partir des caractéristiques de couplage du PCNN, de l'espace proche de la jonction de l'image et des caractéristiques du niveau de gris, il a déterminé l'erreur quadratique moyenne des gris locale du coefficient de force de connexion de l'image. Les propriétés d'extraction de caractéristiques et de segmentation d'objets de PCNN proviennent de la fréquence de pointe des neurones, et le nombre de neurones dans PCNN est égal au nombre de pixels dans l'image d'entrée. De plus, les différences spatiales et de valeurs de gris des pixels doivent être prises en compte de manière globale pour déterminer leur matrice de connexion. Des expériences numériques montrent que le modèle de réseau neuronal couplé à des impulsions multi-échelles et multi-tâches peut réduire le temps total d'entraînement de 17 heures, améliorer la précision globale des données de test de tâches de 1,04 % et réduire le temps de détection de chaque image de 4,8. s par rapport au modèle de réseau en série de plusieurs tâches uniques. Par rapport à l'algorithme PCNN traditionnel, il présente les avantages d'une perception visuelle rapide et d'une segmentation claire du contour de la cible, et améliore efficacement les performances anti-interférences du modèle.

Ces dernières années, avec l'accélération du processus d'information et le développement rapide de la technologie informatique, la demande de vision par ordinateur dans la vie et la production devient de plus en plus urgente1. La vision par ordinateur utilise un système de vision biologique simulé par ordinateur pour la sensibilisation et la compréhension de l'environnement, ainsi que la perception visuelle comme première étape du système de vision par ordinateur pour le traitement de l'image. La vision par ordinateur est l'un des éléments technologiques de base2. La complétion d'image peut souvent reproduire les informations perdues3, et la complétion d'image peut combler les défauts de l'image lorsque les caractéristiques cibles manquent sérieusement4. Le problème de la reconstruction de la résolution d'image peut être amélioré en utilisant un réseau neuronal profond pour traiter les données d'entités5. La reproduction d’images réelles est une technologie de traitement permettant aux équipements d’imagerie de fournir des images idéales conformes à la perception visuelle physiologique humaine6.

À l'heure actuelle, de nombreux travaux de recherche ont été menés sur les difficultés de la technologie de perception visuelle et ont réalisé de nombreuses percées. Comment traiter les informations de l'image par groupe résiduel profond et dessiner l'image par un modèle d'apprentissage profond, puis réparer l'image7,8 et tester avec succès dans l'application9,10,11. L'un des problèmes est la structure vidéo, c'est-à-dire comment réaliser automatiquement une segmentation dans le domaine temporel de la fréquence vidéo et segmenter le flux vidéo en différents niveaux d'unités vidéo avec une certaine signification. La seconde est de savoir comment réaliser une analyse automatique du contenu et extraire des caractéristiques visuelles et sémantiques pour décrire le contenu vidéo12. Mais l'évaluation actuelle de l'algorithme de perception visuelle est également due à l'absence d'un système, d'une recherche précise, de la manière de juger de l'effet de la perception visuelle et de la manière de choisir l'algorithme de segmentation d'image approprié pour certains types, et il n'existe pas non plus de norme unifiée13, donc la recherche et le système de critères d'évaluation des performances de l'algorithme de segmentation de conception, le domaine actuel de la perception visuelle est un besoin urgent pour résoudre le problème14.