脉冲耦合神经网络 层23 (波长) LGN C形状 Neural Networks 神经网络 方位)(方位) 史忠植编著 外侧膝状体 静态信息 层4 形状 运动信息 位置 位置 视觉皮层各个区域分别用V1、V2、V3、V4、 V5表示。Ⅵ1表示条纹状视觉皮层区域,它对 图像很少进行预处理,但包含着丰富的图像 细节信息。V2进行视觉映射,视觉图谱信息 高等数育出版 少于Ⅵ1。V3、V4、V5可以是独立处理色彩、 静态租运动信息的特定功能区域。 史忠植2009基础研究
INSTITUTE OF COMPUTING TECHNOLOGY 2009/5/22 史忠植 2009基础研究 16 视觉皮层各个区域分别用V1、V2、V3、V4、 V5表示。V1表示条纹状视觉皮层区域，它对 图像很少进行预处理，但包含着丰富的图像 细节信息。V2进行视觉映射，视觉图谱信息 少于Vl。V3、V4、V5可以是独立处理色彩、 静态和运动信息的特定功能区域。 脉冲耦合神经网络
脉冲耦合神经网络 连接 来自其它神 I+BL 经元的输入 来自其它神 经元的输入 输出到其 阶跃函数 它神经元 ●神经元主要有两个功能单元构成:馈接输入域和连接输入 域,分别通过突触连接权值M和K来与其邻近的神经元相 连。两功能单元都要进行迭代运算,迭代过程中按指数规 2009/5 律衰减。馈接输入域多加动个外部激励s
INSTITUTE OF COMPUTING TECHNOLOGY 2009/5/22 史忠植 2009基础研究 17 z 神经元主要有两个功能单元构成:馈接输入域和连接输入 域，分别通过突触连接权值M和K来与其邻近的神经元相 连。两功能单元都要进行迭代运算，迭代过程中按指数规 律衰减。馈接输入域多加一个外部激励S。 脉冲耦合神经网络
Bayes连接城网络模型 吖糾讲算西 P(l2) P(D P(X P P(n) 竞争前的发 竞争后的发P0y(X1)= P(X)人放概率 放概率 史忠植2009基础研 iBefore(X,)
INSTITUTE OF COMPUTING TECHNOLOGY 2009/5/22 史忠植 2009基础研究 18 Bayes连接域网络模型 w'1 w'2 w'm … wn w2 w1 + P(f1) * … P(lm) P(l2) P(l1) P(fn) P(f2) P(X) Linking input Feeding input ∑ = = n j before j before i iafter XP XP XP 1 )( )( )( 竞争前的发 放概率 竞争后的发 放概率
特征捆绑的计算模型 吖糾讲算西 图像理解是一个高层的感知任务,基于 Bayes连接域网络模 型BLFN,提出了一种特征捆绑计算模型,能够实现物体知 觉的整体识别。 类1 类 输出层 类 类 同类神经元 中间特征连接层 智二 同类神经元群 Ⅲ圆园目图N面团ZN 初级感受城特征)层 2009/5/22 史思植2009基础研究
INSTITUTE OF COMPUTING TECHNOLOGY 2009/5/22 史忠植 2009基础研究 19 图像理解是一个高层的感知任务，基于Bayes连接域网络模 型BLFN，提出了一种特征捆绑计算模型，能够实现物体知 觉的整体识别。 特征捆绑的计算模型
特征捆绑和物体识别 吖糾讲算西 分类器 人脸正确识别率 测试样本 Feature Binding Adaboost Model 8悉德 所有测试样本(1000幅) 830% 779%81.1% 所有正面测试样本(200幅) 96.5% 87.5%93% 所有非正面测试样本(800幅 796%755%781% 平均每幅图像所用时间m)2644480.16 分类器 平均正确识 (每类物体中 Feature 间层神经元个数 Binding SVM| AdaBoost Model 78.7 20 %710%730% 82.3 0095 40 7%9身验
INSTITUTE OF COMPUTING TECHNOLOGY 2009/5/22 史忠植 2009基础研究 20 特征捆绑和物体识别 分类器 人脸正确识别率 测试样本 Feature Binding Model SVM AdaBoost 所有测试样本(1000幅) 83.0% 77.9% 81.1% 所有正面测试样本(200幅) 96.5% 87.5% 93% 所有非正面测试样本(800幅 79.6% 75.5% 78.1% 平均每幅图像所用时间(ms) 2.64 4.48 0.16 20 分类器 (每类物体中 间层神经元个数) 平均正确识别率 Feature Binding Model SVM AdaBoost 20 78.7 % 71.0% 73.0% 40 82.3 % 77.7% 78.0%