Las redes acopladas por pulsos o las redes neuronales acopladas por pulsos ( PCNN ) son modelos neuronales propuestos mediante el modelado de la corteza visual de un gato y desarrollados para el procesamiento de imágenes biomiméticas de alto rendimiento . [1]
En 1989, Eckhorn introdujo un modelo neuronal para emular el mecanismo de la corteza visual del gato. El modelo de Eckhorn proporcionó una herramienta simple y eficaz para estudiar la corteza visual de los pequeños mamíferos , y pronto se reconoció que tenía un potencial de aplicación significativo en el procesamiento de imágenes.
En 1994, Johnson adaptó el modelo de Eckhorn a un algoritmo de procesamiento de imágenes , llamando a este algoritmo una red neuronal acoplada por pulsos. Durante la última década, PCNNs se han utilizado en una variedad de aplicaciones de procesamiento de imágenes, incluyendo: la segmentación de imágenes , generación de función , la extracción de la cara , detección de movimiento , región de cultivo , y la reducción de ruido .
La propiedad básica del modelo de campo de enlace de Eckhorn (LFM) es el término de acoplamiento. LFM es una modulación de la entrada principal por un factor de compensación sesgado impulsado por la entrada de enlace. Estos impulsan una variable de umbral que decae desde un valor alto inicial. Cuando el umbral cae por debajo de cero, se restablece a un valor alto y el proceso comienza de nuevo. Esto es diferente al modelo neuronal estándar de integración y disparo, que acumula la entrada hasta que pasa un límite superior y efectivamente "cortocircuita" para causar el pulso.
LFM usa esta diferencia para mantener ráfagas de pulso, algo que el modelo estándar no hace en un solo nivel de neurona. Es valioso entender, sin embargo, que un análisis detallado del modelo estándar debe incluir un término de derivación, debido al nivel de voltajes flotantes en el compartimiento (s) dendríticos, y a su vez esto causa un elegante efecto de modulación múltiple que permite un verdadero red de orden superior (HON). [2] El procesamiento de imágenes de pulso multidimensional de datos de estructura química utilizando PCNN ha sido discutido por Kinser, et al. [3]
Un PCNN es una red neuronal bidimensional . Cada neurona de la red corresponde a un píxel en una imagen de entrada, y recibe la información de color de su píxel correspondiente (por ejemplo, intensidad) como un estímulo externo. Cada neurona también se conecta con sus vecinas, recibiendo estímulos locales de ellas. Los estímulos externos y locales se combinan en un sistema de activación interno, que acumula los estímulos hasta que supera un umbral dinámico, dando como resultado una salida de pulsos. A través de la computación iterativa, las neuronas PCNN producen series temporales de salidas de pulsos. La serie temporal de salidas de pulsos contiene información de imágenes de entrada y se puede utilizar para diversas aplicaciones de procesamiento de imágenes, como la segmentación de imágenes y la generación de características. En comparación con los medios de procesamiento de imágenes convencionales, los PCNN tienen varios méritos importantes, incluida la robustez contra el ruido, la independencia de las variaciones geométricas en los patrones de entrada, la capacidad de salvar variaciones menores de intensidad en los patrones de entrada, etc.
En 2009 se desarrolló un PCNN simplificado llamado modelo cortical de picos. [4]
Los PCNN son útiles para el procesamiento de imágenes, como se explica en un libro de Thomas Lindblad y Jason M. Kinser. [5]
Aplicaciones
PCNN es un éxito comprobado en muchos campos académicos e industriales, como el procesamiento de imágenes (eliminación de ruido [6] y mejora de imágenes [7] ), el problema de la ruta más corta de todos los pares [8] y el reconocimiento de patrones.
Referencias
- ^ Zhan, K .; Shi, J .; Wang, H .; Xie, Y .; Li, Q. (2017). "Mecanismos computacionales de redes neuronales acopladas por pulsos: una revisión completa" . Archivos de métodos computacionales en ingeniería . 24 (3): 573–588. doi : 10.1007 / s11831-016-9182-3 . S2CID 57453279 .
- ^ Ver Johnson y Padgett IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 10, NO. 3, MAYO 1999, páginas 480-498 para los términos de derivación, y el antiguo trabajo de C. Lee Giles de finales de los 80 sobre HON)
- ^ Jason M. Kinser a, Karina Waldemark b, Thomas Lindblad b, Sven P. Jacobsson en Quimiometría y sistemas de laboratorio inteligentes 51, 2000.115-124
- ^ K. Zhan, HJ Zhang, YD Ma. Nuevo modelo cortical de picos para la recuperación de texturas invariantes y el procesamiento de imágenes. IEEE Trans. sobre redes neuronales, 2009, 20 (12): 1980-1986.
- ^ Procesamiento de imágenes mediante redes neuronales acopladas por pulsos, segunda versión revisada, Springer Verlag ISBN 3-540-24218-X
- ^ Zhang, Y. (2008). "Filtro de imagen mejorado basado en SPCNN". Science in China F Edition: Ciencia de la información . 51 (12): 2115–2125. doi : 10.1007 / s11432-008-0124-z . S2CID 22319368 .
- ^ Wu, L. (2010). "Mejora de la imagen en color basada en HVS y PCNN" . Science China Information Sciences . 53 (10): 1963–1976. doi : 10.1007 / s11432-010-4075-9 .
- ^ Wei, G .; Wang, S. (2011). "Un algoritmo novedoso para el problema de la ruta más corta de todos los pares basado en la multiplicación de matrices y la red neuronal acoplada por pulsos". Procesamiento de señales digitales . 21 (4): 517–521. doi : 10.1016 / j.dsp.2011.02.004 .