Notícias

Aug 14, 2023

Análise de simulação de modelo de percepção visual baseado em rede neural acoplada a pulso

Scientific Reports volume 13, Artigo número: 12281 (2023) Cite este artigo 148 Acessos 1 Detalhes de métricas altmétricas Redes neurais acopladas a pulso têm bom desempenho em muitos campos, como informação

Scientific Reports volume 13, Artigo número: 12281 (2023) Citar este artigo

148 acessos

1 Altmétrico

Detalhes das métricas

As redes neurais acopladas a pulsos funcionam bem em muitos campos, como recuperação de informações, estimativa de profundidade e detecção de objetos. Com base na teoria da rede neural acoplada a pulso (PCNN), este artigo constrói uma estrutura de modelo de percepção visual e uma plataforma de reprodução de imagem real. O modelo analisa primeiramente a estrutura e a capacidade de generalização do classificador multiclasse da rede neural, usa o critério minimax do espaço de características como o critério de divisão do nó de decisão de percepção visual, que resolve o problema de generalização do algoritmo de aprendizagem da rede neural. No processo de simulação, o limite inicial é otimizado pelo método de máxima variância interclasse bidimensional e, para melhorar o desempenho em tempo real do algoritmo, a fórmula de recorrência rápida da rede neural é derivada e fornecida. O método de segmentação de imagens PCNN baseado em algoritmo genético é analisado. O algoritmo genético melhora a condição de terminação do loop e a configuração adaptativa dos parâmetros do modelo do algoritmo de segmentação de imagem PCNN, mas o algoritmo de segmentação de imagem PCNN ainda tem o problema de complexidade. Para resolver este problema, este artigo propôs um método de segmentação de imagens IGA-PCNN combinando o algoritmo aprimorado e o modelo PCNN. Em primeiro lugar, utilizou o algoritmo genético imunológico melhorado para obter adaptativamente o limiar ideal e, em seguida, substituiu o limiar dinâmico no modelo PCNN pelo limiar ideal e, finalmente, utilizou as características de acoplamento de pulso do modelo PCNN para completar a segmentação da imagem. A partir das características de acoplamento do PCNN, do espaço próximo da junção da imagem e das características do nível de cinza, determinou-se o erro quadrático médio cinza local do coeficiente de força da conexão da imagem. As propriedades de extração de recursos e segmentação de objetos do PCNN vêm da frequência de pico dos neurônios, e o número de neurônios no PCNN é igual ao número de pixels na imagem de entrada. Além disso, as diferenças espaciais e de valores de cinza dos pixels devem ser consideradas de forma abrangente para determinar sua matriz de conexão. Experimentos digitais mostram que o modelo de rede neural acoplada a pulso multitarefa multiescala pode reduzir o tempo total de treinamento em 17 horas, melhorar a precisão abrangente dos dados de teste de tarefa definidos em 1,04% e reduzir o tempo de detecção de cada imagem em 4,8 s comparado com o modelo de rede em série de múltiplas tarefas únicas. Comparado com o algoritmo PCNN tradicional, ele tem as vantagens de percepção visual rápida e segmentação clara do contorno do alvo e melhora efetivamente o desempenho anti-interferência do modelo.

Nos últimos anos, com a aceleração do processo de informação e o rápido desenvolvimento da tecnologia informática, a procura das pessoas por visão computacional na vida e na produção está a tornar-se cada vez mais urgente1. A visão computacional está usando um sistema de visão biológica simulado por computador para conscientização e compreensão ambiental, e a percepção visual como um primeiro passo no sistema de visão computacional para processamento de imagens, a visão computacional é um dos principais itens de tecnologia2. A conclusão da imagem muitas vezes pode reproduzir as informações perdidas3, e a conclusão da imagem pode preencher os defeitos da imagem quando as características alvo estão gravemente ausentes4. O problema da reconstrução da resolução da imagem pode ser melhorado usando redes neurais profundas para processar dados de recursos5. A reprodução de imagens reais é uma tecnologia de processamento que permite que equipamentos de imagem forneçam imagens ideais alinhadas com a percepção visual fisiológica humana6.

Atualmente, as pessoas realizaram muitos trabalhos de pesquisa sobre as dificuldades da tecnologia de percepção visual e fizeram muitos avanços. Como processar as informações da imagem por grupo residual profundo e desenhar a imagem por modelo de aprendizado profundo e, em seguida, reparar a imagem7,8, e testada com sucesso na aplicação9,10,11. Um dos problemas é a estrutura do vídeo, ou seja, como realizar automaticamente a segmentação no domínio do tempo da frequência do vídeo e segmentar o fluxo de vídeo em diferentes níveis de unidades de vídeo com certo significado. A segunda é como realizar a análise automática de conteúdo e extrair recursos visuais e semânticos para descrever o conteúdo do vídeo12. Mas a avaliação atual do algoritmo de percepção visual também é uma falta de um sistema, uma pesquisa precisa, como julgar o efeito da percepção visual e como escolher o algoritmo de segmentação de imagem apropriado para certos tipos também não possui um padrão unificado13, então a pesquisa e sistema de critérios de avaliação de desempenho de algoritmo de segmentação de design, o atual campo da percepção visual é uma necessidade urgente para resolver o problema14.