用于图像学习的减性感知机：初步报告
计算机视觉与模式识别
2019-10-01 v1
摘要
近年来，人工神经网络在许多基于视觉的任务中取得巨大成功。然而，这一成功仍局限于弱人工智能范式，其中网络等专用于单一给定任务。通往强人工智能或通用人工智能的路径仍相当模糊。但有一点是明确的，即当前网络的前馈结构并非人脑的真实抽象。在本初步工作中，提出若干构想以定义减性感知机（s-Perceptron），一种基于图的神经网络，其提供更紧凑的拓扑来学习特定任务。在本初步研究中，我们使用常用数字识别图像档案MNIST数据集测试s-Perceptron。相较于依赖更复杂拓扑的基准网络，所提网络取得了优异结果。
引用
@article{arxiv.1909.12933,
title = {Subtractive Perceptrons for Learning Images: A Preliminary Report},
author = {H. R. Tizhoosh and Shivam Kalra and Shalev Lifshitz and Morteza Babaie},
journal= {arXiv preprint arXiv:1909.12933},
year = {2019}
}
备注
To appear in the 9th Intern. Conf. on Image Processing Theory, Tools and Applications (IPTA 2019), Istanbul, Turkey