通过模块化脉冲神经网络中的强化学习提升不同分类层级物体识别效率
计算机视觉与模式识别
2021-02-11 v1
摘要
人类视觉系统包含参与上位、基本与下位分类层级视觉感知的层级化模块序列。过去数十年中，多种计算模型被提出以模仿视觉皮层的层级前馈处理，但视觉系统的许多关键特性（如实际神经处理与学习机制）被忽略。遵循生物启发路线，我们提出一种用于不同分类层级物体识别的计算模型，其中在每个分类层级使用配备强化学习规则的脉冲神经网络作为模块。每个模块仅基于其最后一层类特异性神经元的最早脉冲，在不使用任何外部分类器的情况下解决各分类层级的物体识别问题。根据各分类层级所需信息，利用相关的带通滤波图像。我们利用三个基准数据集通过多种评价指标评估所提模型性能，并在所有实验中取得识别精度的显著提升。
引用
@article{arxiv.2102.05401,
title = {Enhancing efficiency of object recognition in different categorization levels by reinforcement learning in modular spiking neural networks},
author = {Fatemeh Sharifizadeh and Mohammad Ganjtabesh and Abbas Nowzari-Dalini},
journal= {arXiv preprint arXiv:2102.05401},
year = {2021}
}
备注
16 pages, 8 figures