快速人工智能检测无形的

人工智能(AI)依赖于合成神经网络,灵感来自生命智能系统(BRAINS)的功能性能,并根据无监督的学习程序自主学习。除其他外,此类学习允许分析信息的变化,以实现决策。为了解释和有效,AI方法是为了实现最简约的功能网络体系结构,并且在时间和资源方面的计算成本最少。我们的工作将这种简约的原则应用于无监督的自动检测最小变化的情况下,在复杂的图像内容中,人眼看不见。该方法利用功能性的自组织图(SOM)体系结构(左1),灵感来自大脑中感觉神经元的功能特性,并且作为输入维度,单个图像像素的RGB三重态。这些在SOM中的完全连接的神经元网络拓扑映射,邻域半径恒定。无监督的获奖者全能学习用于学习Fe中任何图像时间序列的图像的任何像素内容W秒。

manbetx登录下载科学地图集。快速人工智能检测无形的

图1. SOM功能体系结构(左),图像系列(中间)输入的示例以及与RGB平均值(右)相比,SOM-QE单像素更改检测性能。

在学习过程中,输入数据x一世将可能的匹配单元(神经元)M进行比较一世在地图中以确定获胜匹配。SOM或SOM-QE的量化误差反映了输入数据空间及其最佳匹配模型表示(“获胜者全部夺走”)之间的差异
整数在哪里,离散时间坐标HCI(t)随着时间的流逝,邻域功能会收敛到零,并且学习率也随时间收敛到零。SOM-QE告诉任何给定系列的图像(1个中间)中,最多几百万像素中的单个像素中的单个中的单个中的单个都发生了变化,该图像可能包括10、20、100或更多图像。作为无监督神经网络学习过程(AI)的输出度量,SOM-QE在数百万像素含量(1右)中和计算时间方面的单像素更改检测的精度优于RGB的平均值。5.结论在体外局灶性感染后,基于数字图像像素RGB的病毒增殖模型,或响应特定处理的细胞回收,可能包含数百万的图像像素,即使经验丰富的专家也无法在视觉上处理。表明,基于无监督的自组织MAP基于MAP的方法可为包含数百万像素的图像序列中最好的单像素变化提供快速且统计上高度可靠的检测和分类模型。该方法已成功地应用于内侧图像时间序列,以实现病变生长的超快检测,在卫星图像中反映的结构变化以及在成像数据中反映的结构变化以及病毒增殖或细胞活力检测。这种分类方法使用了生物学启发的AI学习,模仿了对像素对比度强度,对比度极性和视觉神经元颜色的敏感性。它的表现优于人类计算机辅助的图像分类,在计算上是经济的,并且可以在进一步建模之前应用于大量成像数据的变化。

Birgitta Dresp-Langley
UMR 7357 CNRS,斯特拉斯堡大学,法国斯特拉斯堡

出版物

自组织映射中的量化误差是大型随机模式中单像素变化的对比度和颜色特定指标
约翰·M·旺德托(John M Wandeto)
神经网。2019年12月

Facebook 推特 LinkedIn 邮件 Facebook 推特 LinkedIn 邮件

发表评论