علوم اعصاب محاسباتی
ناصر صادق‌نژاد؛ مهدی ازوجی؛ رضا ابراهیم‌پور
دوره 14، شماره 1 ، اردیبهشت 1399، ، صفحه 69-79
چکیده
یکی از اصلیترین تواناییهای شناختی انسان و جانوران، بازشناسی اشیا است. سامانهی بینایی انسان به عنوان یک سامانهی سریع و دقیق میتواند منبع الهام مناسبی برای ارائه‌ی مدلهای محاسباتی بازشناسی اشیا باشد. پژوهشهای پیشین که به بررسی رفتار سامانهی بینایی انسان در بازشناسی اشیا پرداختهاند، بر پردازش طی گامهای ...
بیشتر
یکی از اصلیترین تواناییهای شناختی انسان و جانوران، بازشناسی اشیا است. سامانهی بینایی انسان به عنوان یک سامانهی سریع و دقیق میتواند منبع الهام مناسبی برای ارائه‌ی مدلهای محاسباتی بازشناسی اشیا باشد. پژوهشهای پیشین که به بررسی رفتار سامانهی بینایی انسان در بازشناسی اشیا پرداختهاند، بر پردازش طی گامهای زمانی در این سامانه تاکید کردهاند، در حالی که در مدلهای محاسباتی موجود برای بازشناسی اشیا، چنین چیزی مورد توجه قرار نمیگیرد. در این مقاله سعی شده است تا یک مدل چندلایه‌ی مبتنی بر زمان برای بازشناسی اشیا ارائه شود. در لایهی نخست مدل، اطلاعات تصویر ورودی در یک بازنمایی زمانی به لایههای بعدی ارسال میشود. در لایهی میانی مدل، از یک شبکه‌ی عصبی عمیق به عنوان استخراج کننده‌ی ویژگی استفاده شده است. در پایان، برخلاف مدلهای محاسباتی موجود برای بازشناسی اشیا، پیشنهاد شده است که برای طبقهبندی ویژگیهای استخراج شده از مدلهای تصمیمگیری مبتنی بر سازوکار نورونی تصمیمگیری در مغز مانند مدل رانشی-انتشار استفاده شود. به بیان دیگر، در هر یک از این سه لایه تلاش شده است تا تطبیق مناسبی با سازوکار سامانهی بینایی انسان ایجاد شود. برای ارزیابی کارایی مدل محاسباتی پیشنهادی در بازشناسی اشیا، آزمونهای متعددی انجام شده است. نتایج به دست آمده از بررسی مدل پیشنهادی نشان میدهد که با دشوارتر شدن تصاویر، افزودن نویز یا بروز انسداد، کارایی مدل در بازشناسی اشیا کاهش یافته و زمان پاسخدهی آن افزایش مییابد که این روند با شواهد رفتاری انسانی مطابقت دارد. هم‌چنین عملکرد مدل برای تشخیص شی و طبقهبندی سطح پایه در دو حالت تصاویر اصلی و تصاویر وارونه بررسی شده است. نتایج به دست آمده گویای تفاوت بین پردازش تشخیص شی با طبقهبندی سطح پایه است که این نتایج با آزمایشهای رفتاری گزارش شده در مقالههای مرجع هم‌خوانی دارد.
الگوبرداری زیستی / زیست‌تقلیدی
هیوا صوفی کریمی؛ کریم محمدی
دوره 11، شماره 4 ، بهمن 1396، ، صفحه 337-349
چکیده
در این مقاله سعی شده است تا با الگو برداری از سامانهی بینایی انسان، یک روش مقاوم و تکرارپذیر برای بازشناسی اشیا ارائه شود. یکی از معروفترین مدلهای ارائه شده مبتنی بر بینایی انسان، مدل HMAX میباشد که عملکرد مناسبی در بازشناسی اشیا از خود نشان داده است. اما تفاوتهایی نیز بین این مدل و بینایی انسان وجود دارد، به طوری که رویه‌ی ...
بیشتر
در این مقاله سعی شده است تا با الگو برداری از سامانهی بینایی انسان، یک روش مقاوم و تکرارپذیر برای بازشناسی اشیا ارائه شود. یکی از معروفترین مدلهای ارائه شده مبتنی بر بینایی انسان، مدل HMAX میباشد که عملکرد مناسبی در بازشناسی اشیا از خود نشان داده است. اما تفاوتهایی نیز بین این مدل و بینایی انسان وجود دارد، به طوری که رویه‌ی مغز به طور کامل مدل نشده است. از جمله نواقص این مدل میتوان به تکرارناپذیری (حتی در شرایط ثابت)، وجود افزونگی بسیار زیاد و در نتیجه حجم بالای محاسبات و کند بودن اشاره کرد. در این مقاله، سعی شده است تا با مدل کردن عملکرد بخش ثانویه‌ی قشر بینایی و اضافه کردن آن به HMAX، مدل کاملتری از بینایی انسان ارائه گشته و نقاط ضعف مدل HMAX ، پوشش داده شود. بخش اضافه شده، مانند بخش ثانویه‌ی قشر بینایی، با تمرکز روی ویژگیهای سطح بالاتر و انتخاب ویژگیهای متمایزکننده و البته تکرارپذیر، باعث بهبود یافتن عملکرد مدل خواهد شد. بخش اضافه شده، بار محاسباتی بسیار اندکی داشته به طوری که نه‌تنها باعث کند شدن مدل نمیشود، بلکه با انتخاب ویژگیهای مختصر و مفید، باعث افزایش سرعت نیز خواهد شد. روش پیشنهادی از لحاظ دقت و زمان پردازش با روش استاندارد مقایسه شده و برتری مدل پیشنهادی نشان داده شده است. علاوه بر آن، تاثیر تعداد ویژگیهای استخراج شده و تعداد تصاویر مورد استفاده جهت آموزش، مورد بررسی قرار گرفته است تا برتری روش پیشنهادی، به ویژه در زمانی که تعداد تصاویر اندکی در دست میباشد، نشان داده شود.
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.
