基于仿生多層ICA-HMAX模型的目標編碼及應用研究.pdf

1、視覺特征提取是從原始視覺成像數(shù)據(jù)中發(fā)現(xiàn)、篩選、獲取、存儲有效信息的重要過程，提取特征的優(yōu)劣對識別等離散分類問題和檢索等連續(xù)回歸問題均有較大影響，制約著整個視覺系統(tǒng)的性能。
　　隨著大數(shù)據(jù)時代來臨以及人類對智能化數(shù)據(jù)處理系統(tǒng)要求的提高，傳統(tǒng)的視覺特征（如顏色、紋理、局部/全局特征等）往往存在缺乏強大的視覺表達性能且需要豐富的專業(yè)領域地先驗知識進行輔助等問題;而基于視覺仿生機理的特性學習（尤其是深度學習）具備優(yōu)異的學習、編碼和表達能力

2、，在主要的計算機視覺任務中，均表現(xiàn)出統(tǒng)治力的執(zhí)行效果，因此仿生視覺特性學習備受關注，具有廣闊的應用前景。
　　多層次仿生模型是銜接生物視覺與計算機視覺的有效橋梁，既體現(xiàn)了生物的視覺感知機理，又包含了特征的編解碼過程，需要深入研究模型的工作機理和細節(jié)。但由于多層模型中存在多個隱含層、數(shù)據(jù)維度高、特征表現(xiàn)形式復雜造成難以發(fā)現(xiàn)模型內部隱含的運作規(guī)律，而常將其直接作為“輸入-輸出”黑盒過程來理解，針對此問題，本文主要開展了以下工作:

3、>　　(1)以大腦視皮層的視覺信息處理機制為理論基礎，以彩色圖像為研究對象，以無監(jiān)督學習獨立成分分析法為核心，在Sparse-HMAX模型的基本基礎上構建反饋結構的多層次模型;
　　(2)將配對字典的特征重構思想引入前饋多層次模型，把模型高層特征表達轉換到原始像素空間，實現(xiàn)高層特征重構;同時，系統(tǒng)地考慮并定量分析了模型中各參量對圖像特征表達的影響，形成具有普遍意義的參數(shù)影響規(guī)律;
　　(3)分析了ICA-HMAX模型高層卷積