知识卡片
PCNN的同步脉冲与参数敏感
在初级视皮层中发现 γ 波段神经元活动的同步振荡后,研究者提出连接域模型,并由此发展出脉冲耦合神经网络(PCNN):把刺激驱动的前馈流与刺激诱导的反馈流结合,使同一目标对应的神经元同步发放脉冲。
其计算结构由四部分组成:接收域把输入与邻域响应分为馈送通道和连接通道;连接通道经非线性相乘调制放大馈送信号;结果与动态阈值比较,超过阈值即点火输出脉冲;阈值随后按指数衰减,使神经元周期性重新点火。由此获得四个特性:脉冲耦合、非线性相乘调制、变阈值、邻域捕捉。邻域捕捉使相邻的相似像素趋于同步,因此区域信息能被完整保留,且整个过程无须训练样本。
这使 PCNN 适合图像分割、编码与增强。但连接系数、阈值放大系数、衰减时间常数高度影响结果,实际使用常需用人工蜂群、遗传算法等做参数寻优,否则分割过碎或欠分割。
结构图:
flowchart TD
A[图像刺激输入] --> B[馈送通道F]
A --> C[连接通道L]
B --> D[非线性相乘调制]
C --> D
D --> E[与动态阈值比较]
E --> F[点火输出脉冲]
F --> G[邻域同步与阈值衰减]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
PCNN是一种模拟视觉神经细胞活动的人工神经元模型,具有脉冲耦合特性、非线性相乘调制特性、变阈值特性和邻域捕捉特性等多种独特特性,有利于完整地保留图像的区域信息,并且无须训练样本
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html)
- 结论依据:在初级视皮层中发现 γ 波段神经元活动的同步振荡后,研究者提出连接域模型,并由此发展出脉冲耦合神经网络(PCNN):把刺激驱动的前馈流与刺激诱导的反馈流结合,使同一目标对应的神经元同步发放脉冲。
- 原始内容:PCNN是一种模拟视觉神经细胞活动的人工神经元模型,具有脉冲耦合特性、非线性相乘调制特性、变阈值特性和邻域捕捉特性等多种独特特性,有利于完整地保留图像的区域信息,并且无须训练样本