基于智能神经元模型的浅层非组织神经网络用于视觉感知

深度神经网络（DNNs）近期的成功揭示了神经计算在许多具有挑战性应用中的显著能力。尽管 DNNs 源于对生物神经元的仿真，但关于 DNNs 是否是人类智能机制的最终且最佳模型仍存在疑问。具体而言，计算型 DNN 模型与观测到的生物神经元事实之间存在两点差异。第一，人类神经元是随机互联的，而 DNNs 需要精心设计的架构才能正常工作。第二，人类神经元通常具有较长的脉冲延迟（~100ms），这意味着参与决策的层数不多，而 DNNs 可能有数百层以保证高准确率。本文中，我们提出一种新的计算模型，即浅层非组织神经网络（SUNNs），以对比 ANNs/DNNs。所提出的 SUNNs 与标准 ANNs 或 DNNs 在三个基本方面不同：1）SUNNs 基于自适应神经元细胞模型——智能神经元，使每个人工神经元细胞能自适应地响应其输入，而非像 ANNs/DNNs 中的经典神经元模型那样执行固定的加权和操作；2）SUNNs 能以极浅的架构应对计算任务；3）SUNNs 具有如人脑般以及图灵 B 型非组织机器所提出的随机互联的自然拓扑。我们实现了所提出的 SUNN 架构，并在若干无监督早期视觉感知任务上进行了测试。令人惊讶的是，如此简单的浅层架构在我们的实验中取得了非常好的结果。我们新计算模型的成功使其成为图灵 B 型非组织机器首个可工作的实例，其性能可与最先进算法媲美甚至更优。