當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

脉冲耦合神经网络(PCNN)-pulse coupled neural network

發布時間：2023/12/31 编程问答 34 豆豆

生活随笔收集整理的這篇文章主要介紹了脉冲耦合神经网络(PCNN)-pulse coupled neural network 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

摘要

本文采用高級視覺模型來描述靈長類視覺系統中的信息傳遞和連接。信息鏈接方案，如狀態相關模塊化和時間同步，被視為視覺系統使用期望組合信息的方法，以填充缺失信息和刪除不需要的信息。研究了使用基于生理學理論模型的鏈接方法結合當前圖像處理技術進行模式識別的可能性。這些圖像處理技術是變換，例如（但不限于）小波濾波器、命中或未命中濾波器、形態濾波器和高斯差分濾波器。選擇這些特殊的過濾器是因為它們模擬靈長類視覺系統中執行的功能。為了實現生理激勵的連接方法，選擇脈沖耦合神經網絡（PCNN）作為視覺模型的基本構建塊，在神經元脈沖水平上執行連接。最后，描述了一種基于PCNN的融合信息網絡，并給出了初步結果。

介紹

基于計算機的數字濾波通常用于乳腺癌檢測和自動目標識別等應用中的目標檢測。過濾通常用于從圖像中刪除不需要的信息，希望剩余的信息將允許模式識別過程識別所需的對象。數字濾波器設計為對對象中包含的特定頻率組或模式具有選擇性。一般來說，沒有一個過濾器可以對對象中的所有模式進行選擇，并且仍然能夠很好地去除不需要的信息。通常，使用多個過濾器并將結果合并。為了組合結果，使用簡單的線性數學運算符（如AND運算符）或更復雜的方案（如圖像金字塔法）。

人類視覺系統過濾不需要的信息，并以一種允許我們識別周圍物體的方式組合結果。它結合了多種視覺信息來構建我們對外部世界的看法。形狀、運動、顏色和紋理都經過過濾和組合，使我們能夠學習和識別物體。每天都有新的事物被學習，新的記憶被形成。隨著每一個新記憶的形成，我們的識別過程都會發生變化，以融入這種記憶。識別不僅僅是記憶與視覺系統產生的形式、運動、顏色和紋理的簡單匹配。簡單的實驗將表明，記憶可以增強或抑制現有的視覺信息，同時填充預期但實際場景中不存在的信息。這種期望驅動的識別是視覺識別中一個重要但鮮為人知的部分。

背景

盡管靈長類大腦皮層視覺系統極其復雜，但研究表明，它可以由兩種基本的層次性通路來建模，即小細胞通路和大細胞通路[10]。第一條路徑主要處理顏色信息，其他路徑處理形狀和運動。

靈長類視覺系統的模型

圖1顯示了這兩種途徑的模型。圖像進入模型的入口點是視網膜。生物視網膜具有亮度和顏色檢測器，用于解釋光圖像，并在將圖像轉發給其他視覺系統之前對圖像進行預處理。區域標記的LGN模擬生物外側膝狀體核。在人類視覺皮層中，模型區域標有以字母V開頭的名稱，模型特定區域。這些區域中的每一個都被認為保持著一個或多個經過處理但在地形上正確的落在視網膜上的光模式圖像。本文稍后將討論應用于圖像的處理。第六區代表紋狀體視覺皮層。區域V3、V4和V5被稱為專業區域，因為人們認為它們僅分別處理形狀、顏色和運動等選擇性信息。此后，由每個視覺皮層區域維持的視覺圖像將被稱為視覺地圖，或簡稱為地圖。

?圖1中LGN、Vi和V2框中的名稱表示該區域功能不同的部分。早期的研究人員使用細小、巨大、斑點、中間、薄條紋、粗條紋和中間成熟等術語來描述這些視覺區域的生物學上不同的部分。這些術語至今仍在使用，用于將視覺模型與生物視覺系統聯系起來。每個方框代表一個獨特的視覺地圖，該地圖被認為保存在視覺區域的相應部分[11178]。橢圓表示每個地圖中包含的特定類型的信息。可視區域幾乎完全連接，圖中未顯示。為清楚起見，該圖僅顯示與模型相關的更強連接。

信息反饋

圖2顯示了用于將信息傳輸回相關區域地圖的可重入連接。這些可重入連接的一個功能是提供信息，以解決較低級別中可能存在的任何沖突[12]。如圖2所示，來自可視區域的可重入連接不限于提供其輸入的區域。這些額外的聯系對于解決具有不同能力但對相同刺激作出反應的地區之間的沖突至關重要[11，330]。

?圖3顯示了將每個可視區域的輸出反饋（重入）到先前層次級別的區域地圖中。每個圖中顯示的實心黑色橢圓表示在特定圖上操作的處理單元的感受野大小。在每個連續的層級上，感受野變大，每個層級將其輸出信息重新輸入到較低的層級，以解決可能存在的任何沖突[11]。需要注意的是，許多區域接收的信息不是該區域通常處理的類型。例如，區域Vi的第4B層包含主要具有方向選擇性的單元單元。這些處理單元既不是波長選擇性的，也不是方向選擇性的，但仍然從區域V4和V5接收此類信息。該信息不會被忽略，而是與方向信息相結合（鏈接），以消除任何歧義或沖突。

?

神經元處理單元濾波器

本文觀察到這樣一個假設：神經元處理單元最好被描述為沿著多個刺激方向選擇性的過濾器[9]。表2給出了可用于近似每個可視區域的可能過濾器列表。表中包括引用這些過濾器的參考。

???????

感知、認知和期望

期望可以通過將識別過程的結果映射回視覺系統來建模。這種重新進入將導致部分識別來填充圖像缺失的細節。正如本文后面討論的，這些期望可以強調感興趣的對象，同時抑制不必要的信息。

生理性連接

脈沖耦合神經網絡

一個生理激勵的人工神經網絡，脈沖耦合神經網絡（PCNN），可以連接起來創建一個高度靈活的生理濾波器。PCNN對靈長類視覺皮層中觀察到的脈沖高度、持續時間、重復頻率和神經間聯系進行建模。該模型不僅能滿足我們視覺模型的濾波要求，還能產生所需的連接和脈沖，以模擬依賴于狀態的調制和時間同步。圖4顯示了PCNN中單個神經元的框圖。

有關PCNN的更多討論，請參見參考文獻[3]和[5]。表2顯示了實現離散時間PCNN所需的方程式。

在該模型中，PCNN神經元接收來自前一層次結構層的饋電輸入（X2），并接收來自其自身和其他層的鏈接輸入（Y）?？芍厝胼斎雽⒈灰暈殒溄虞斎搿D5顯示了樣本PCNN中單個神經元的饋電和連接。

PCNN濾波器

單個PCNN神經元的濾波特性由饋電輸入的模式和應用于這些輸入的權重決定。濾光片的感受野由前一層饋電輸入連接的形狀決定。濾波特性由應用于進給輸入的權重確定。例如，一個具有高斯（橢圓形）感受野的神經元將具有以橢圓形模式連接到前一層的饋電輸入。在該橢圓模式中，應用于進給輸入的權重（M2）在中心處為單位，并隨著朝向橢圓邊緣的高斯曲線而減小。

?pcnn用于目標分割

PCNN的特征提取和對象分割特性來自神經元的脈沖頻率。具有相關進食輸入特征（顏色、強度等）的神經元具有相似的脈沖率。連接連接導致神經元緊密接近，相關特征一致脈沖（同步）。連接模式、權重（Wf）和連接系數（i:3）決定了連接輸入影響神經元輸出的接近度和程度。較大的鏈接字段往往會對圖像產生平滑效果。較大的權重和連接系數（假設標準化，接近1）往往會導致相關特征較少的神經元同步。PCNN神經元（無連接）的脈沖重復率由饋電輸入的大小決定。輸入較大的神經元比輸入較小的神經元脈沖頻率更高。缺乏連接輸入將導致具有相同饋電輸入強度的神經元一致脈沖。對象分割高度依賴于鏈接系數8的值。

pcnn用于圖像處理

以下PCNN配置已成功用于圖像平滑和分割[7]。PCNN中的神經元數量等于輸入圖像中的像素數量。神經元被排列成一個具有橫向連接的單層網絡。每個神經元接收R半徑內所有相鄰神經元的鏈接輸入。每個神經元只接收一個饋電輸入，即輸入圖像中對應像素的強度。饋電輸入上沒有泄漏積分器。所有權重都設置為統一。

時間同步

1987年，在猩猩和貓的初級視覺皮層中發現了刺激相關的神經振蕩。這些發現和理論建議（例如Grossberg 1983；Reitboek 1983，1989；von der Malsburg 1985；Damasio 1989）支持同步可能是將局部視覺特征連接到連貫的全局感知的機制的假設。兩種類型的同步已經被理論化，刺激強迫同步和刺激誘導同步。第一類是輸入刺激的直接結果。它不是振蕩的，而是跟隨刺激瞬變的時間過程。這種同步被認為在視覺皮層的所有區域都起著重要作用。第二類，刺激誘導的同步被認為是通過相互連接的局部神經振蕩之間的自組織過程產生的。據認為，刺激誘導的同步主要支持更復雜的“注意知覺”的形成，這需要不同加工水平和記憶之間的迭代交互。[4]

PCNN支持本節討論的兩種類型的同步。饋電輸入產生刺激強制同步，連接輸入產生刺激誘導同步。前者表現為多個神經元之間的共同脈沖重復頻率，后者表現為多個神經元之間單個脈沖的同步。圖6顯示了單個PCNN神經元的內部活動，該神經元在時間0時受到刺激，在時間250時被移除。每當內部神經元電位達到或超過觸發閾值時，就會產生一個輸出脈沖。

狀態相關調制

視覺系統執行的處理包括一個實質性的編輯過程，該過程強調無關信息，并增加對目標信息含義的解釋和推斷。即使是早期的處理階段，也不能給予視網膜圖像的所有部分同等的權重。優先考慮觀察者關注的那些元素。當刺激成為注意的目標時，許多神經元的反應會加倍。狀態依賴信號被認為是導致這種優惠待遇的刺激。這些信號來自視網膜以外的其他來源。許多信號來自頂葉和顳葉的高級處理區。這些信號調節神經元對其感受野內刺激的反應。這些調制被認為可以過濾掉不相關的信號，并添加關于被記憶或推斷存在的物體的信息。狀態相關調制是一種處理層將其發現或期望疊加到另一個處理區域的方法。[6]

如表2中的方程式所示，PCNN的連接輸入調制饋電輸入。此過程模擬在視覺系統中觀察到的狀態相關調制。通過這種機制，發現、期望和記憶可以在處理區域之間以迭代的方式進行傳遞，直到所有的結果、期望和記憶都被整合到處理層次結構的每個層次。

結果

對乳腺癌圖像的多個視圖進行處理，以研究使用PCNN進行圖像融合的可行性。圖7顯示了用于融合乳腺癌圖像的PCNN的連接架構。原始圖像的過濾版本使用PCNN鏈接輸入鏈接到原始圖像。這些圖像代表了融合過程的預期結果。PCNN的鏈接機制使用時間同步和狀態相關調制來增強濾波圖像所表示的感興趣對象。圖7a顯示了每個PCNN中使用的連接和饋電連接。圖Th顯示了用于融合每個PCNN產生的基于脈沖的信息的連接結構。

圖8顯示了融合過程的輸入圖像和結果圖像。圖8a、8b和8c是用作融合網絡輸入的圖像。融合結果如圖8d和8e所示。使用1的饋電和連接半徑來產生每個結果，圖8d的神經元放電閾值低于圖8e。