Neokognitron

Den aktuella versionen av sidan har ännu inte granskats av erfarna bidragsgivare och kan skilja sig väsentligt från versionen som granskades den 3 september 2014; kontroller kräver 15 redigeringar .

Neocognitron ( eng.  Neocognitron ) är ett hierarkiskt flerlagers artificiellt neuralt nätverk , faltningstyp , härlett från kognitron och föreslagit av Kunihika Fukushima (1980), kapabel till robust mönsterigenkänning , vanligtvis tränad enligt principen om " oövervakad inlärning ". Denna typ av nätverk används också ofta för handskriftsigenkänning och OCR , bilder med en mycket förvrängd eller brusig struktur. Prototypen av nätverket togs från modellen som föreslagits av Hubel och Wiesel (1959), enligt vilken det finns två typer av celler i den primära visuella cortex : en enkel cell och en komplex cell, ordnade i kaskader. Neokognitronen består också av kaskadformade neuroner av S-typ (enkel, eng.  enkel ) och C-typ (komplex, eng.  komplex ). Under driften av nätverket extraheras lokala särdrag i bilden med hjälp av celler av S-typ, och funktionsförvrängningar, såsom t.ex. skift, kompenseras av celler av C-typ. [1] Lokala egenskaper vid ingången generaliseras stegvis, och den slutliga klassificeringen utförs i slutskikten. En liknande idé om generalisering av lokala funktioner tillämpas också i LeNet- och SIFT -nätverk .

Hur det fungerar

Skillnader från kognitronen

Kognitronen och neokognitronen har vissa likheter, men det finns också grundläggande skillnader mellan dem relaterade till utvecklingen av författarnas forskning. Båda mönstren är skiktade hierarkiska nätverk organiserade på samma sätt som den visuella cortex. Samtidigt överensstämmer neokognitronen mer med modellen av det visuella systemet som beskrivs i Hubel DH och Wiesel TNs arbete [2]. Som ett resultat är neokognitronen ett mycket kraftfullare paradigm när det gäller förmågan att känna igen bilder oavsett deras transformationer, rotationer, förvrängningar och skalförändringar. Liksom kognitronen använder neokognitronen självorganisering i inlärningsprocessen, även om en version har beskrivits [3] som använde övervakat lärande istället. [fyra]

Undervisningsmetodik

Variationer av neokognitronen

Det finns olika typer av neokognitroner. [5] Till exempel kan vissa typer av neokognitroner detektera flera mönster i samma ingång, genom att använda återkopplingssignaler för att uppnå selektiv uppmärksamhet. [6]

Anteckningar

  1. ↑ Jared Dean. Big Data, Data Mining och Machine Learning . - Wiley, 2014. - ISBN 978-1118618042 . Arkiverad 9 september 2021 på Wayback Machine
  2. ↑ Hubel DH, Wiesel TN Receptiva fält, binokulär interaktion och funktionell arkitektur i kattens visuella cortex. Journal of Physiology 160:106–54. — 1962.
  3. ↑ Fukushima K., Miyake S., Takayuki I. Neocognitron: En neural nätverksmodell för en mekanism för visuell mönsterigenkänning. IEEE Transaction on Systems, Man and Cybernetics SMC–13(5):826–34. — 1983.
  4. ↑ F. Wasserman. Neurodatorteknik: Teori och praktik. Översättning till ryska, Yu. A. Zuev, V. A. Tochenov. — 1992.
  5. ↑ Fukushima 2007
  6. ↑ Fukushima 1987, s. 81, 85

Länkar

 Typer av artificiella neurala nätverk