基于視覺通路目標(biāo)識別算法的研究.pdf

1、基于大腦皮層的目標(biāo)識別是當(dāng)前計算機視覺領(lǐng)域研究的熱點，其主要思想是利用各種神經(jīng)元放電實驗，建立數(shù)字圖像的處理模型。目標(biāo)識別和計算機視覺的目的都在于研究并體現(xiàn)具有與人類視覺認知水平相當(dāng)?shù)哪芰?，因此從人類視覺認知系統(tǒng)出發(fā)研究圖像處理具有重要的理論意義和應(yīng)用前景。論文對于如何用機器算法完成視覺感知任務(wù)展開研究，建立了包括視網(wǎng)膜、膝狀體、大腦腹側(cè)皮層的完整視覺通路的目標(biāo)識別算法。
　　 論文主要工作如下：
　　 (1)介紹卷積神

2、經(jīng)網(wǎng)絡(luò)模型?；陔[層中簡單細胞和復(fù)雜細胞神經(jīng)生物學(xué)機理與算法作用，分析模型整體構(gòu)建的思路,總結(jié)隱層中學(xué)習(xí)規(guī)則的優(yōu)越性。
　　 (2)分析稀疏編碼算法。解釋目標(biāo)函數(shù)的建立和學(xué)習(xí)規(guī)則中的迭代算法，利用Gabor 濾波器和稀疏編碼提取特征，說明稀疏編碼的應(yīng)用。
　　 (3)探討HMAX模型。從模型創(chuàng)建的角度說明其每層的生理學(xué)意義與建模算法。將原先4 層模型結(jié)構(gòu)歸結(jié)成2 層算法操作：Coding和Pooling 層。在Pooli

3、ng 層對比平均匯聚算法和原先的最大匯聚算法，實驗表明最大匯聚算法在分類精度方面有較好的表現(xiàn)。
　　 (4)建立了符合完整視覺通路的算法結(jié)構(gòu)。利用卷積神經(jīng)網(wǎng)絡(luò)，建立4 層訓(xùn)練框架，每層分為兩步：Coding 階段和Pooling 階段。在Coding 階段中，選取稀疏編碼中的梯度下降算法設(shè)計一種非線性濾波器，模擬視覺信息從視網(wǎng)膜到視皮層V1 區(qū)的處理過程；在Pooling 階段中，提出采用HMAX模型的最大匯聚算法，模擬視皮層V