人工智能(AI)依赖于合成神经网络，受到生命智能系统(大脑)功能特性的启发，并在无监督学习过程的基础上自主学习。除其他事项外，这种学习允许对信息随时间的变化进行分析，以便作出决策。为了既可解释又有效，人工智能方法的目标是尽可能实现最简洁的功能网络架构，并在时间和资源方面实现最小的计算成本。我们的工作将这种简约原则应用于对复杂图像内容中人眼看不见的微小变化的无监督自动检测。该方法利用了一种功能简约的自组织映射(SOM)架构(左1)，其灵感来自于大脑中感觉神经元的功能特性，以及作为输入维度的单个图像像素的RGB三联体。这些是由SOM中具有恒定邻域半径的全连接神经元网络进行拓扑映射的。无监督赢者通吃学习用于学习任意时间序列图像的任意像素内容w秒。

图1所示。SOM功能架构(左)，图像序列输入示例(中)，SOM- qe与RGB Mean的单像素变化检测性能对比(右)。

在学习过程中，输入数据x_我与可能匹配的单位(神经元)m_我在地图上，以确定获胜的比赛。SOM或SOM- qe的量化误差反映了SOM中输入数据空间与其最佳匹配模型表示(“赢家通吃”)之间的差异
离散时间坐标的整数在哪里h_ci(t)邻域函数随时间趋近于零，学习率也随时间趋近于零。SOM-QE告诉我们，在任何给定系列(1中间)的任何图像中，高达数百万像素的单个图像是否在颜色或对比度上发生了变化，这些图像可能由10、20、100或更多图像组成。作为无监督神经网络学习过程(AI)的输出度量，SOM-QE在数百万像素内容(右1)的单像素变化检测精度方面优于RGB Mean，并且在计算时间方面优于RGB Mean。5.结论:基于数字图像像素RGB的体外局灶感染后病毒增殖模型，或特定治疗后细胞恢复模型，可能包含数百万图像像素，即使是经验丰富的专家也无法通过视觉处理。基于无监督自组织映射的SOM-QE方法为包含数百万像素的图像序列中最精细的单像素变化提供了快速且统计上高度可靠的检测和分类模型。该方法已成功应用于医学图像时间序列中，用于病灶生长的超快速检测、卫星图像中反映的结构变化检测以及成像数据中病毒增殖或细胞活力检测。这种分类方法使用受生物学启发的人工智能学习，模仿视觉神经元对像素对比度强度、对比度极性和颜色的敏感性。它优于人类计算机辅助图像分类，在计算上经济，并且可以在进一步建模之前应用于大量变化的成像数据。

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

出版

量化误差在自组织地图作为一个对比和颜色特定的指标，单像素的变化在大的随机模式
John M Wandeto，我是Birgitta Dresp-Langley
神经网络，2019年12月

离线阅读:

相关文章:

	基于贝叶斯稀疏神经网络的生物标志物发现最近高通量生物技术的发展，如微阵列和测序技术，为生物标志物的发现提供了前所未有的机会，这可能会促进精准医学的发展。从统计数据来看……
	中分辨率蛋白质结构检测…由于最近的技术突破，Cryo-EM已经在结构生物学中确立了其作为确定大分子结构的不可或缺的方法选择的地位。近年来，……急剧增长。
	可视化电双材料的不可见纳米结构由有机阳离子和有机(或无机)阴离子组成的离子液体由于其优异的化学和物理性能，在电化学材料中得到了广泛的应用。
	快速和简单的草甘膦检测使用功能化…草甘膦是世界上使用最广泛的除草剂。自20世纪70年代以来，它被用于处理杂草以提高产量。几年来，它的使用一直存在很大的争议……
	设计和部署模型的系统映射研究……在传统的计算系统中，在应用程序、运行时、操作系统和网络方面所需的一切都是由组织提供的。在云计算中，各种级别的…
	新出现的滥用药物:猫捉老鼠的游戏在美国和世界范围内，娱乐性药物滥用以及由此导致的过量使用已经成为严重的公共健康威胁。虽然传统药物滥用仍然很流行，但娱乐性使用……