利用分层时间记忆的空间池器对具有预定义复杂度的噪声视频进行分类

本文研究了分层时间记忆（Hierarchical Temporal Memory, HTM）的空间池器在噪声物体识别任务中的性能。为了应对这一挑战，实现了一个基于 SP、直方图计算模块和 SVM 分类器的专用定制系统。除了实现自己的 HTM 版本外，作者还设计了一个分析器，能够追踪系统的所有关键参数。这是必要的，因为使用传统的测试和调试工具来分析和监控系统性能变得极其困难。该系统最初在无噪声的人工准备视频上进行训练，然后用一组噪声视频流进行测试。这种方法旨在模拟现实场景，即一个被训练来处理理想物体的智能体或系统在其常规工作条件下面临对失真和噪声物体进行分类的任务。作者针对 HTM SP 的各种宏参数以及不同的视频缩减比水平进行了一系列实验。这些实验使他们能够评估在具有 32 帧视频文件的各种噪声条件下两种不同系统设置（即“多个 HTM”和“单个 HTM”）的性能。所有测试的结果均与 SVM 基线设置进行了比较。结果表明，对于失真比特占总数 13% 的视频信号，具有 SP 的系统能够实现约 12 倍的降噪。此外，在没有噪声成分的实验中，具有 SP 的系统表现也更好，并达到了 0.96 的最高 F1 分数。实验还表明，SP 的列和突触数量的增加对系统性能有显著影响。因此，分别在 256 和 4096 个突触和列时获得了最高的 F1 分数值。