基于区域蠕变的图像识别

本文描述了一种新型自联想图像分类器，其采用浅层架构并具有极快的学习阶段。图像被解析为较小区域，每个区域连同相关输出类别一起直接保存为一个区域。当呈现新图像时，与每个区域进行直接匹配并返回最佳匹配区域。每个区域存储其所属类别的列表，其中输入区域与输出类别之间存在一对多关系。图像分类过程对这些类别列表求和以返回整幅图像的偏好类别。这些区域可相互重叠，当从一个区域移动到其邻域时，区域图像部分很可能仅有微小变化。因此，可通过累积邻域结果来推测某一区域的最佳图像区域。这一联想特征被称为“区域蠕变（Region Creep）”，当未找到合适匹配时，可将累积区域与训练样本进行比较。可加入规则规定：若某组像素出现，则另一组像素应被移除或也应出现，且此规则作用于整幅图像。传统自联想网络的内存问题在此版本中可能有所减轻，在手写数字集上的测试取得了最先进（SOTA）的结果。