نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• محمد جزلائیان ¹
• هادی شهریار شاه حسینی ²

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

• بازشناسی اشیا
• سیستم بینایی
• گزینش ویژگی
• مدل HMAX

موضوعات

• مدل‌سازی رایانه‌ای زیستی / شبیه‌سازی رایانه‌ای زیستی

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