知识卡片
不训练的像素级网络
常规人工神经网络是多层结构,靠反向传播调整连接权重;PCNN 反过来:只有一层横向连接的神经元二维阵列,神经元与图像像素一一对应,不做训练,靠固定的迭代动力学直接给出结果。
收益:省掉训练集、标注和收敛调参,单帧图像进来就能跑,适合红外弱小目标这类样本稀缺、场景多变的场合。 代价:学习能力不存在,全部性能压在少数手工参数上,包括连接系数 β、时间衰减因子 αe、阈值振幅 VE 和突触权重矩阵。 推论:PCNN 的效果好坏本质上不是模型容量问题,而是参数是否与当前图像的灰度分布匹配。本章两种改进都沿着这条线走——ALI-PCNN 改权重矩阵,FSPCNN 改 αe 与停机条件,都是把人工设定换成由图像统计量驱动。
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
原书出处 · 1 处
- 第4章 基于脉冲耦合神经网络的目标检测方法 · 查看原书依据
PCNN由一层横向连接的脉冲耦合神经元的二维阵列组成,而且不需要训练。网络中的神经元与图像像素一一对应。
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第4章 基于脉冲耦合神经网络的目标检测方法(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt004.html)
- 结论依据:常规人工神经网络是多层结构,靠反向传播调整连接权重;PCNN 反过来:只有一层横向连接的神经元二维阵列,神经元与图像像素一一对应,不做训练,靠固定的迭代动力学直接给出结果。
- 原始内容:PCNN由一层横向连接的脉冲耦合神经元的二维阵列组成,而且不需要训练。网络中的神经元与图像像素一一对应。