一种训练无约束序贯离散形态神经网络的算法
计算机视觉与模式识别
2024-06-21 v2
摘要
已有尝试将数学形态学(MM)算子插入卷积神经网络(CNN),迄今为止最成功的尝试是形态神经网络(MNN)。尽管MNN在解决某些问题上优于CNN,但它们继承了黑箱特性。此外,在二值图像情况下,它们是丢失了MM算子的布尔格结构的近似,因此无法表示具有期望特性的特定类别的W算子。在最近的工作中,我们提出了用于二值图像变换的离散形态神经网络(DMNN),以表示特定类别的W算子并通过机器学习进行估计。我们还提出了一种随机格下降算法(SLDA)来学习典型离散形态神经网络(CDMNN)的参数,其架构仅由可分解为腐蚀与膨胀的上确界、下确界和补的算子组成。在本文中,我们提出了一种学习无约束序贯DMNN的算法,其架构由一般W算子的复合给出。我们在一个实际例子中说明了该算法。
引用
@article{arxiv.2310.04584,
title = {An Algorithm to Train Unrestricted Sequential Discrete Morphological Neural Networks},
author = {Diego Marcondes and Mariana Feldman and Junior Barrera},
journal= {arXiv preprint arXiv:2310.04584},
year = {2024}
}