مدلسازی رایانهای زیستی / شبیهسازی رایانهای زیستی
محمد جزلائیان؛ هادی شهریار شاه حسینی
دوره 8، شماره 4 ، دی 1393، ، صفحه 371-383
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 ...
بیشتر
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.