نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 کارشناس ارشد مهندسی برق، گروه الکترونیک، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران
2 دانشیار، گروه الکترونیک، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران
چکیده
عملکرد سیستم بینایی انسان در بازشناسی اشیای مختلف، از عملکرد بهترین سیستمهای بینایی ماشین بهتر است. به همین دلیل محققان حوزهی بینایی ماشین و علوم اعصاب همواره به دنبال مدلکردن عملکرد سیستم بینایی انسان جهت استفاده در سیستمهای بینایی ماشین هستند. یکیاز قویترین مدلهای محاسباتی که در این زمینه توسعه یافته مدل HMAX است. این مدل، برپایهی عملکرد سلولهای مغز انسان در گذرگاه بطنی قشر بینایی طراحی شده و چهار لایه محاسباتی دارد. در مرحلهی یادگیری این مدل، تعداد زیادی از قسمتهای کوچک تصاویر در اندازههای مختلف، که تکّه نامیده میشوند، در موقعیتهای کاملاً تصادفی از مجموعهی تصاویر آموزشی استخراج میشوند. استخراج تصادفی و بیهدف تکّهها یکیاز ضعفهای اصلی مدل HMAX است که باعث کاهش کارایی و افزایش بار محاسباتی آن میشود. در این مقاله، یک مدل جدید برای گزینش تکّههای مرتبطتر و حذف تکّههای زائد از مجموعهی تکّههای تصادفی پیشنهاد شده است. در این مدل، با یک روند بازگشتی، تکّههای بهینه از روی ویژگیهای بهینهای انتخاب شدند که با الگوریتم گزینش ویژگی حداکثرکردن اطلاعات متقابل از بین مجموعهی ویژگیهای تصاویر آموزشی گزینش شدند. عملکرد مدل پیشنهادی در مسایل دوکلاسی تشخیص حضور یا عدم حضور یک شئ در تصویر با مدل اصلی HMAX مقایسه گردید و برتری آن به اثبات رسید.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Optimal Feature Selection in Biologically Inspired Model for Object Recognition Using Mutual Information Maximisation
نویسندگان [English]
- Mohammad Jazlaeiyan 1
- Hadi Shahriar Shahhoseini 2
1 M.Sc Graduate, Electronic Department, Faculty of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
2 Associate Professor, Electronic Department, Faculty of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده [English]
Human visual system operates superior than best machine vision systems in object recognition. So, researchers in machine vision and neuroscience try to model human visual system in order to employ it in machine. HMAX is one of the best operating models in this area. It is based on the function of brain cells in the ventral stream of visual cortex and contains four computational layers. In the learning stage, many image partitions called image patches are extracted randomly with different sizes from training images. This random selection of image patches is one of the drawbacks of HMAX which decreases the performance and increases the computational complexity of the algorithm. In this paper, a novel patch selection from the set of random patches is proposed. In this method, using a recursive approach, optimal patches are selected from optimal features of training images by mutual information maximization feature selection. The performance of proposed algorithm in binary classification (existence or non-existence of objects in the images) is compared with HMAX and the superiority is proved.
کلیدواژهها [English]
- HMAX
- Object Recognition
- visual system
- feature selection
T. Tieniu, “Biologically Inspired Features for Scene Classification in Video Surveillance” IEEE Transactions on Systems Man and Cybernetics-Part B: Cybernetics Vol 41, No 1, pp 307-313, 2011.