Noticias

Aug 14, 2023

Análisis de simulación de un modelo de percepción visual basado en una red neuronal acoplada por pulsos.

Scientific Reports volumen 13, Número de artículo: 12281 (2023) Cite este artículo 148 Accesos 1 Detalles de Altmetric Metrics Las redes neuronales acopladas por pulsos funcionan bien en muchos campos, como la información

Scientific Reports volumen 13, número de artículo: 12281 (2023) Citar este artículo

148 Accesos

1 altmétrica

Detalles de métricas

Las redes neuronales acopladas por pulsos funcionan bien en muchos campos, como la recuperación de información, la estimación de profundidad y la detección de objetos. Basado en la teoría de redes neuronales acopladas por pulsos (PCNN), este artículo construye un marco de modelo de percepción visual y una plataforma de reproducción de imágenes reales. En primer lugar, el modelo analiza la estructura y la capacidad de generalización del clasificador multiclase de la red neuronal, utiliza el criterio minimax del espacio de características como criterio de división del nodo de decisión de percepción visual, lo que resuelve el problema de generalización del algoritmo de aprendizaje de la red neuronal. En el proceso de simulación, el umbral inicial se optimiza mediante el método de varianza máxima entre clases bidimensional y, para mejorar el rendimiento en tiempo real del algoritmo, se deriva y proporciona la fórmula de recurrencia rápida de la red neuronal. Se analiza el método de segmentación de imágenes PCNN basado en algoritmo genético. El algoritmo genético mejora la condición de terminación del bucle y la configuración adaptativa de los parámetros del modelo del algoritmo de segmentación de imágenes PCNN, pero el algoritmo de segmentación de imágenes PCNN todavía tiene el problema de la complejidad. Para resolver este problema, este artículo propone un método de segmentación de imágenes IGA-PCNN que combina el algoritmo mejorado y el modelo PCNN. En primer lugar, utilizó el algoritmo genético inmunológico mejorado para obtener de forma adaptativa el umbral óptimo, luego reemplazó el umbral dinámico en el modelo PCNN con el umbral óptimo y, finalmente, utilizó las características de acoplamiento de pulsos del modelo PCNN para completar la segmentación de la imagen. A partir de las características de acoplamiento de PCNN, el espacio cercano de unión de la imagen y las características del nivel de gris, se determinó el error cuadrático medio de grises local del coeficiente de intensidad de conexión de la imagen. Las propiedades de extracción de características y segmentación de objetos de PCNN provienen de la frecuencia de pico de las neuronas, y la cantidad de neuronas en PCNN es igual a la cantidad de píxeles en la imagen de entrada. Además, las diferencias espaciales y de valores de gris de los píxeles deben considerarse de manera integral para determinar su matriz de conexión. Los experimentos digitales muestran que el modelo de red neuronal acoplada por pulsos de múltiples escalas y tareas puede acortar el tiempo total de entrenamiento en 17 h, mejorar la precisión integral de los datos de prueba de tareas establecidos en un 1,04% y acortar el tiempo de detección de cada imagen en un 4,8 Se compara con el modelo de red en serie de múltiples tareas individuales. En comparación con el algoritmo PCNN tradicional, tiene las ventajas de una percepción visual rápida y una segmentación clara del contorno del objetivo, y mejora efectivamente el rendimiento antiinterferente del modelo.

En los últimos años, con la aceleración del proceso de información y el rápido desarrollo de la tecnología informática, la demanda de las personas de visión por computadora en la vida y la producción se está volviendo cada vez más urgente1. La visión por computadora utiliza un sistema de visión biológica simulada por computadora para la conciencia y comprensión ambiental, y la percepción visual como primer paso en el sistema de visión por computadora para el procesamiento de imágenes; la visión por computadora es uno de los elementos tecnológicos centrales2. La finalización de imágenes a menudo puede reproducir la información perdida3, y la finalización de imágenes puede llenar los defectos de la imagen cuando las características objetivo faltan gravemente4. El problema de la reconstrucción de la resolución de la imagen se puede mejorar utilizando una red neuronal profunda para procesar datos de características5. La reproducción de imágenes reales es una tecnología de procesamiento que permite que los equipos de imágenes proporcionen imágenes ideales en línea con la percepción visual fisiológica humana6.

En la actualidad, la gente ha realizado muchos trabajos de investigación sobre las dificultades de la tecnología de percepción visual y ha logrado muchos avances. Cómo procesar la información de la imagen mediante un grupo residual profundo y dibujar la imagen mediante un modelo de aprendizaje profundo, y luego reparar la imagen7,8, y probarlo con éxito en la aplicación9,10,11. Uno de los problemas es la estructura del video, es decir, cómo realizar automáticamente la segmentación en el dominio del tiempo de la frecuencia del video y segmentar la transmisión de video en diferentes niveles de unidades de video con cierta importancia. El segundo es cómo realizar un análisis de contenido automático y extraer características visuales y semánticas para describir el contenido del vídeo12. Pero la evaluación actual del algoritmo de percepción visual también carece de un sistema, una investigación precisa, cómo juzgar el efecto de la percepción visual y cómo elegir el algoritmo de segmentación de imágenes apropiado para ciertos tipos tampoco tiene un estándar unificado13, por lo que la investigación y el sistema de criterios de evaluación del desempeño del algoritmo de segmentación del diseño, el campo actual de la percepción visual es una necesidad urgente para resolver el problema14.

Basado en la teoría de la red neuronal acoplada por pulsos, este artículo construye un modelo de percepción visual y analiza en detalle los criterios de evaluación del desempeño de los algoritmos de percepción visual existentes. Este artículo analiza cuatro métodos de cálculo del coeficiente de límite visual y propone dos métodos de detección de límites visuales basados ​​en el modelo15. Debido a que el método considera varios fotogramas al mismo tiempo, tiene una buena capacidad antirruido y la recuperación y precisión de la detección de límites visuales son mejores que el método tradicional de detección de límites visuales basado en la diferencia de fotogramas adyacentes. Durante el experimento, la imagen fuente se descompone en frecuencias altas y bajas en el dominio de transformación de onda cortante no muestreado. Luego, la red neuronal de acoplamiento de pulsos mejorada se usa para detectar los coeficientes de subbanda de baja frecuencia, y la suma de la varianza al cuadrado de los píxeles se usa como excitación, y la suma del gradiente de dirección se selecciona como su fuerza de conexión. Los coeficientes de subbanda de alta frecuencia con una gran cantidad de cálculo se procesan mediante detección comprimida16. Finalmente, la imagen de percepción se obtiene mediante una transformada inversa de onda de corte no submuestreada, y el rango de valores óptimo de los parámetros se obtiene mediante experimentos relevantes.

En este artículo, las principales contribuciones son: (1) Esta investigación parte del problema de emparejamiento estéreo en sí y establece un modelo matemático apropiado para resolverlo. La visión estéreo es la función de descripción de la visión humana, la función básica del sistema visual humano. El sistema visual humano puede lograr una coincidencia estéreo de forma rápida y precisa. Aunque todavía existen algunas deficiencias en los sistemas artificiales para simular la visión humana, es prometedor explorar algoritmos de visión desde la perspectiva de la visión. El modelo de red neuronal acoplada por pulsos (PCNN) se transforma a partir del modelo de corteza visual y tiene una capacidad específica de procesamiento de características de imágenes. (2) El algoritmo de coincidencia estéreo combina PCNN y campos aleatorios de Markov, y utiliza el modelo de probabilidad basado en la evaluación de similitud de PCNN. Las dos imágenes se envían a dos PCNNS respectivamente y la secuencia de pulsos se genera después de varias iteraciones. Luego se utiliza el algoritmo BP para lograr la máxima probabilidad a posteriori y se obtienen buenos resultados de coincidencia. (3) De acuerdo con las características de acoplamiento de PCNN, el espacio estrechamente conectado y las características de nivel de gris de la imagen, se determina el error cuadrático medio de grises local del coeficiente de fuerza de conexión de la imagen para lograr una percepción visual rápida y una segmentación clara del contorno del objeto. Después de la investigación, el modelo de inferencia de percepción visual PCNN del algoritmo de coincidencia estéreo puede ser lo suficientemente bueno como para aplicarse a la detección de objetos reales y tiene una perspectiva de aplicación muy amplia.

En la actualidad, la investigación teórica y de aplicación sobre los criterios de evaluación del desempeño de los algoritmos de percepción visual comienza principalmente con los dos aspectos siguientes: uno es juzgar el desempeño integral de un algoritmo de segmentación para diferentes tipos de percepción visual y, sobre esta base, los parámetros y se mejoran los modelos del algoritmo para ampliar su ámbito de aplicación17. En segundo lugar, se seleccionan diferentes tipos de algoritmos de segmentación para cortar la misma imagen y el rendimiento de cada algoritmo de segmentación se juzga analizando los resultados de la segmentación para determinar el algoritmo de segmentación óptimo18.

Su19 propuso utilizar la función de conjunto de niveles para expresar indirectamente el contorno del modelo, a fin de realizar indirectamente el propósito de actualizar el contorno actualizando la función de conjunto de niveles. Por lo tanto, cuando cambia la estructura de topología del contorno, la función de conjunto de niveles aún puede mantener su validez y resolver con éxito el problema del cambio de topología del contorno. Al mismo tiempo, en comparación con el modelo de contorno activo paramétrico, puede realizar la segmentación simultánea de múltiples objetivos complejos. Jing20 propuso el diseño elaborado de una estructura en cascada de red de acoplamiento de pulsos de profundidad tridimensional en tres dimensiones, utilizando el aumento paso a paso de la entrada a la escala de gruesa a fina para predecir la ubicación del rostro humano y los peatones, las estadísticas en la imagen son todos los números. e imagen precisa del rostro humano con una aplicación de escala más original en detección de rostro humano, reconocimiento de género y sistema de reconocimiento multitarea clave de reconocimiento de edad21. Al utilizar métodos de múltiples tareas y múltiples escalas para entrenar la red, la precisión de la detección de rostros, detección de peatones, detección de puntos clave de rostros, detección de género y edad se ha mejorado hasta cierto punto, y la velocidad de detección se ha mejorado considerablemente.

Panigrahy22 propuso un modelo clásico basado en regiones, comúnmente conocido como modelo CV. A diferencia del modelo de contorno activo de conjunto de parámetros y niveles, el modelo CV no depende de la información de gradiente de la imagen para la percepción visual. Yang23 creía que el modelo CV también podría obtener buenos resultados de segmentación para imágenes con gradientes sin sentido y límites difusos, y resolvió con éxito el problema de la segmentación dependiente de límites del modelo de contorno activo de conjunto de niveles basado en límites. Dado que el modelo CV evolucionó sobre la base del modelo Mumford-Shah24, el modelo Mumford-Shah se presenta brevemente antes de la introducción del modelo CV. Los investigadores propusieron un método de superpíxeles para mantener la homogeneidad del color basado en el avance de los límites globales y locales de la transformación de las cuencas hidrográficas25. En la primera etapa, la prioridad de inundación se calcula extendiendo desde la semilla a otros píxeles. En la segunda etapa, los píxeles límite se definen mediante dos criterios separados, uno que se centra en la uniformidad del color y el otro en la regularidad de la forma, inundando desde los píxeles límite iniciales hacia los píxeles que tienen más probabilidades de ser verdaderos. El resultado final de la segmentación mantiene la uniformidad del color en la región rica en contenido y mejora la regularidad de los superpíxeles en la región plana de contenido26. La red neuronal acoplada por pulsos (PCNN) se utiliza a menudo para generar imágenes fusionadas mediante reglas de fusión, pero su rendimiento a veces se controla mediante la selección de parámetros. Recientemente, Yin aplicó PCNN con parámetros adaptativos a la fusión de imágenes y logró buenos resultados. Los métodos de estimación basados ​​en el recuento diferencial de cajas son ampliamente aceptados para cuantificar la textura de una imagen. En el modelo WPADPCNN, los parámetros de estimación adaptativa se encuentran a partir de la entrada y se calcula la ponderación FD. Los experimentos muestran que las imágenes de MRI y SPECT funcionan mejor en calidad visual y claridad de imagen que los resultados experimentales.

Los canales para que cada elemento de pulso reciba entrada de estímulo externo en PCNN incluyen canales de entrada de retroalimentación y canales de entrada de conexión. Además, el elemento activo interno U del elemento de impulso se modula mediante la multiplicación no lineal del elemento de entrada de alimentación inversa F y el elemento de entrada de conexión. U significa matriz de modulación no lineal. Si el pulso se emite en PCNN está relacionado con el elemento de actividad interna U y el umbral E de la neurona. Cada núcleo de acoplamiento de pulsos tiene un tamaño, y el tamaño de los seis núcleos de acoplamiento de pulsos en la capa C1 es 5 × 5. La función f representa el valor de píxel de la imagen del pulso acoplado. El núcleo de acoplamiento de pulsos se utiliza para deslizarse sobre los datos de entrada. f (i, j) de acuerdo con un tamaño de paso fijo u (i) para hacer que el núcleo de acoplamiento de pulsos calcule el acoplamiento de pulsos en los datos locales f (i).

En el proceso de descomposición dispersa 1-|x|, el coeficiente de alta frecuencia de descomposición multiescala representa información detallada como el límite de la región y el borde de la imagen de múltiples fuentes, y el sistema visual humano es sensible a la información detallada como como borde. Cómo construir una estrategia de percepción de coeficientes de alta frecuencia y extraer un coeficiente de alta frecuencia significativo es muy importante para mejorar la calidad de la imagen de percepción. Combinado con las características del componente de alta frecuencia de la imagen fuente w(s, t), se considera el factor de evaluación de la calidad de la imagen p(x, y) para construir la estrategia de percepción.

En la red PCNN, cada píxel de la imagen equivale a un elemento de impulso. En este punto, el umbral E aumenta rápidamente a través de la entrada de retroalimentación, lo que hace que el elemento de pulso deje de transmitir pulsos. El umbral k(x)/k(y) comienza a decaer con el tiempo, y cuando vuelve a ser menor que el término activo interno, el elemento de pulso se activa nuevamente, y así sucesivamente.

El algoritmo primero realiza una mejora basada en la variación en imágenes en color, luego utiliza la red neuronal acoplada por pulsos con adyacencia espacial y agrupación de características de brillo similar, localiza los puntos de ruido comparando la diferencia entre los tiempos de ignición de diferentes píxeles de la imagen y, finalmente, sigue el reglas similares al algoritmo de filtrado de mediana vectorial. Dado que cada píxel calculará la similitud con múltiples puntos semilla, el punto semilla que es más similar al punto de píxel, es decir, la distancia mínima correspondiente, se toma como centro de agrupación, y luego se proporciona el número del punto semilla en el punto de píxel. Finalmente, el valor del color y el valor de las coordenadas del punto inicial y de todos los puntos de píxel se suman y promedian para obtener el nuevo centro del grupo en la Fig. 1.

Fusión de muestras de agrupación de redes neuronales.

Se fusionaron las muestras de enfoque derecha e izquierda registradas. Los resultados de fusión efectivos deben dar como resultado una imagen izquierda y derecha clara, es decir, restaurar el contraste y la nitidez de las áreas de pegado del modo respectivo en las dos imágenes. Para hacerlo lo más consistente posible con el gráfico estándar físico, elegimos el coeficiente de correlación entre el resultado perceptivo y el gráfico estándar físico como uno de los índices de medición. Además, se analizan la definición de la imagen equilibrada con gradiente promedio, la escala de la imagen equilibrada con desviación estándar y el grado de información de la imagen equilibrada con entropía. Cuando el núcleo de acoplamiento de pulsos se desliza a todos los datos de entrada, cada vez solo se extraen datos locales para el cálculo de características, lo que refleja la conectividad local de PCNN y acelera enormemente la velocidad de cálculo. En el proceso de deslizamiento, los parámetros de cada núcleo de acoplamiento de pulsos permanecen sin cambios, lo que significa que cada núcleo de acoplamiento de pulsos solo observa las características que desea obtener a través de sus propios parámetros, lo que reduce en gran medida la cantidad de parámetros y refleja la propiedad de compartir parámetros de PCNN. .

Basado en la secuencia caótica y la estructura de división diagonal cíclica/bloque del filtrado homomórfico, apuntando al problema del pobre rendimiento de la reconstrucción y la alta complejidad computacional, este artículo propone una estrategia de optimización de la matriz de medición determinista basada en un descenso de gradiente modificado para minimizar la correlación entre la matriz de observación. y matriz de proyección. Entonces el punto (x, y) pertenece al primer plano; de lo contrario, pertenece al fondo. En comparación con la segmentación de umbral único miu (r, g, b), la segmentación de umbral doble puede reducir eficazmente los errores de juicio.

Dado que el registro de datos de la nube de puntos (i + j) no tiene una relación de conexión clara, el algoritmo de filtrado bilateral no se puede aplicar directamente a la eliminación de ruido de la superficie de la nube de puntos. El algoritmo de filtrado bilateral involucra principalmente el punto V. En este artículo, el método se utiliza para calcular los puntos adyacentes del punto discreto V, y el cálculo normal del vértice se obtiene optimizando un término de energía secundaria de los puntos adyacentes. La esencia del visual La percepción es que la percepción visual se divide en varias regiones de acuerdo con algunos principios de similitud, por lo que la calidad de las imágenes segmentadas se puede juzgar utilizando la uniformidad en cada región. Por lo tanto, el resultado de segmentación óptimo se puede identificar calculando el valor 1/(1−i) de la imagen binaria, para realizar la selección automática del resultado de segmentación óptimo exp(1/d).

La conexión de acoplamiento miu(x + y-1)/d se refiere al mecanismo de operación de PCNN cuando el coeficiente de fuerza de la conexión no es igual a 0. En este caso, el elemento no solo recibe excitación externa, sino que también recibe información de entrada de retroalimentación del elemento de pulso vecinal. En este caso, cada elemento de impulso del modelo está acoplado entre sí. En el caso de la conexión de acoplamiento, utilizar la entrada L de la conexión de acoplamiento para regular la entrada de retroalimentación F es la clave para la comunicación entre elementos de pulso en el modelo PCNN acoplado.

En el método de recorte, el límite p(x-1) de una cuadrícula se usa para cortar otra cuadrícula en el área superpuesta w(x, t), y luego se genera un nuevo triángulo en el límite común para unir las dos cuadrículas. juntos. Este método producirá una gran cantidad de triángulos pequeños en el límite común debido al recorte. Además, este método solo utiliza los vértices de una malla en la región superpuesta y los vértices de la otra malla se abandonan por completo. Para la malla con una gran región superpuesta, la región superpuesta de las dos cuadrículas no se puede utilizar para corregir los vértices. Al mismo tiempo, debido al error en el proceso de registro de cuadrículas de múltiples cortes, el límite de una cuadrícula debe proyectarse en otra cuadrícula antes de recortarse en la Fig. 2.

Resultados del filtrado homomórfico de imágenes visuales.

Dado que las reglas de fusión de imágenes determinan el resultado final de la percepción, es mejor elegir las reglas de cumplimiento de fusión apropiadas que estén más en línea con las expectativas de percepción para diseñar el experimento de percepción de imágenes. Sabemos que la imagen después de la descomposición piramidal obtendrá el subgráfico de baja frecuencia de información casi similar de la imagen característica y el subgráfico de alta frecuencia de la característica detallada de la imagen característica. Por lo tanto, diseñar diferentes reglas de percepción para diferentes características puede lograr una mejor percepción de imágenes de alta calidad. Para la misma imagen experimental, si la entropía de la imagen de segmentación obtenida mediante un determinado método es relativamente grande, indica que el rendimiento del método de segmentación es mejor. En general, el efecto de segmentación del método propuesto es mejor que el de otros métodos de segmentación. Ya sea que se trate de criterios de evaluación objetivos o de observación directa del efecto de segmentación, se puede observar que la protección de los detalles del borde de color en el área central es mejor que otros métodos.

La entrada de alimentación de acoplamiento de pulsos es la principal fuente de entrada recibida por los elementos de pulso, y los elementos de pulso vecinos pueden influir en la señal de entrada de alimentación de los elementos de pulso a través del modo de enlace. El estímulo externo es recibido por el dominio de entrada de alimentación y luego acoplado con la señal de pulso del elemento de pulso adyacente recibida por el dominio de entrada de enlace y enviada al elemento de actividad interna. El valor del término de actividad interna aumenta gradualmente con el ciclo, mientras que el umbral dinámico disminuye gradualmente con el ciclo t(i, j), y el valor del término de actividad interna se compara con el umbral dinámico para cada ciclo s(i, j).

A diferencia de log(2^x−x), como modelo simplificado y mejorado del modelo PCNN, LSCN (Long and Short Sequence Concerned Networks) simplifica continuamente el mecanismo de adquisición de la señal de entrada y la cantidad total de parámetros indeterminados se reduce considerablemente. Hay tres integradores de fugas en el modelo PCNN tradicional, que necesitan realizar dos operaciones de acoplamiento de pulsos. En el modelo LSCN, también hay tres integradores de fugas, pero solo se requiere una operación de acoplamiento de pulsos. Esto determina que la complejidad temporal del modelo LSCN es menor que la del modelo tradicional, y se puede observar que la relación entre los elementos de actividad interna y los incentivos externos en este modelo es más directa. No solo eso, a diferencia de la PCNN tradicional, el proceso de iteración h(i, j)/x del modelo LSCN se detiene automáticamente en lugar de configurarse manualmente, lo que es más conveniente para operar en múltiples iteraciones.

En el proceso de percepción en este nivel p(x)−p(x−1), se realiza un juicio preliminar independiente sobre cada imagen y se establecen conclusiones relevantes, y luego se perciben cada juicio y conclusión, para formar el sentencia conjunta definitiva. La cantidad de datos procesados ​​por el método de percepción del nivel de decisión es la menor entre los tres niveles y tiene buena tolerancia a fallas y rendimiento en tiempo real, pero tiene más datos preprocesados.

En primer lugar, se realiza la extracción de características X (a, b, c) en la imagen original y luego se perciben estas características. Debido a que el objeto percibido en este nivel no es la imagen sino las características de la imagen, comprime hasta cierto punto la cantidad de datos que deben procesarse, mejora la eficiencia y favorece el procesamiento en tiempo real. Las regiones candidatas, las probabilidades de clasificación y las características extraídas generadas por la red PCNN se utilizan para entrenar el clasificador en cascada. El conjunto de entrenamiento en el momento inicial contiene todas las muestras positivas y la misma cantidad de muestras negativas tomadas al azar. Al clasificador RealBoost le sigue la clasificación de peatones.

El conjunto de datos de audiencia etiqueta la información desglosada por edad y género, lo que sugiere que el modelo es en realidad un modelo de tareas múltiples, pero no explora la relación intrínseca entre las dos tareas para obtener mejores resultados de detección. El modelo de la Fig. 3 tuvo una precisión de identificación de género del 66,8 por ciento en el conjunto de datos de audiencia. Sin embargo, estos gráficos de importancia completamente abandonados en realidad contienen información de importancia importante, lo que hará que el efecto de detección de importancia del modelo PCNN sea inexacto. Por lo tanto, es necesario percibir razonablemente la información significativa en cada escala con base en la información significativa en la escala de entropía mínima. Por lo tanto, con base en la información de prominencia en la escala de entropía mínima, este artículo toma el recíproco de la entropía correspondiente en otras escalas. como la tasa de contribución para percibir la información de prominencia en otras escalas, a fin de proponer un método de determinación del mapa de prominencia final de múltiples escalas.

Anotación de información del conjunto de datos de acoplamiento de pulsos.

El coeficiente de límite visual es más adecuado para describir la diferencia entre el límite visual y el marco visual, y la mejora de la imagen es conveniente para procesar la detección de límites visuales. Basado en el principio de difusión de la ecuación diferencial parcial no lineal, el modelo puede controlar la dirección de difusión introduciendo la función de flujo de difusión adecuada y también puede combinarse con otros métodos de detección visual de límites. Para verificar que el método de percepción visual del color FCM no supervisado basado en superpíxeles propuesto en este capítulo puede obtener el mejor efecto de segmentación, se seleccionaron 50 imágenes de BSDS500 como muestras experimentales. Dado que el método propuesto en este capítulo puede obtener automáticamente el valor C del número de grupo, mientras que el algoritmo de agrupamiento tradicional utiliza un valor C fijo para cada imagen, el valor fijo de C y el método de obtener automáticamente el valor C del número de grupo se utilizarán para el experimento respectivamente. El algoritmo requiere tres parámetros esenciales, a saber, el índice de ponderación, el umbral de error mínimo y el número máximo de iteraciones, que en este experimento son 2, 15 y 50 respectivamente, y el tamaño de la ventana adyacente se establece en 3*3.

Como puede verse en la Fig. 4, aunque la imagen perceptiva obtenida mediante el método del valor máximo es óptima en cuanto al brillo óptico de la imagen, su borde tiene un fenómeno de "diente de sierra" más evidente y está más borroso. En comparación con la imagen fuente, la imagen de percepción obtenida mediante el método de transformada de ondas discretas tiene deficiencias obvias en cuanto a saturación y brillo. Desde la perspectiva del efecto visual, la imagen perceptiva obtenida mediante el método de transformación de la percepción visual tiene un efecto de oscilación de borde obvio. Por el contrario, el algoritmo de percepción de imágenes propuesto basado en la teoría de la detección comprimida ha logrado buenos efectos visuales en términos de claridad, contraste y representación detallada. El método de detección de límites visuales basado en el coeficiente de límites visuales tiene ciertas deficiencias en la aplicación práctica: si la vecindad del límite visual entre cuadro y cuadro cambia irregularmente, el coeficiente del límite visual del borde visual disminuye y también es posible que los videoclips presenten tramado visual. y hacer que el coeficiente del límite visual aumente, esto podría reducir el rendimiento de detección del algoritmo.

Distribución de percepción de mejora de imagen.

Si el valor mínimo del intervalo en el que se encuentra el cuadro anterior es igual al valor mínimo del valor mínimo de todos los subintervalos en la ventana de búsqueda, se realiza una comparación adicional en el subintervalo en el que se encuentra el cuadro actual. Dado que la ventana de búsqueda del cuadro actual no necesariamente coincide exactamente con el subintervalo, el valor mínimo del subintervalo del límite del cuadro actual debe recalcularse al determinar el valor mínimo de los diferentes subintervalos (incluso sin volver a calcular, el impacto es limitado ).

Sin la capa de acoplamiento de pulso compartido de percepción visual, la detección de rostros y la detección de peatones de P-Net necesitarán extraer características de imágenes de 224 × 224 píxeles respectivamente, y el tiempo dedicado a entrenar estas dos tareas se duplicará, y R-Net con 448 × 448 La entrada de píxeles llevará aún más tiempo. Al mismo tiempo, la conexión interna de la detección de rostros y la detección de peatones tiene una conexión especial: la mayoría puede ubicar la detección de rostros en el cuadro de detección de peatones, por lo que el entrenamiento conjunto de detección de rostros y detección de peatones puede mejorar su precisión. Obviamente, es sencillo y rápido segmentar secuencias PMA (Plane Moving Average) según 0 puntos, pero se generarán muchos patrones de movimiento largos. El modo de movimiento largo no favorece la extracción de fotogramas clave porque es difícil expresar contenido visual según el modo de movimiento largo. En segundo lugar, el modo de movimiento largo expresado por el modelo triangular tendrá un gran error y no es preciso. En este punto, podemos separar el modo de movimiento largo en múltiples modos de movimiento. El método de separación consiste en determinar el punto mínimo en el patrón de movimiento largo.

Se puede ver que el rendimiento de la detección de límites visuales utilizando el coeficiente de límite visual y el método de intersección de histograma estándar tiene sus propias ventajas y desventajas, y el rendimiento general es equivalente. Para el conjunto de datos de la Fig. 5, el método de detección de valor mínimo fijo que utiliza coeficientes de límite visuales muestra diferentes propiedades. Frente a los ataques de ruido comunes, el modelo PCNN mejorado logra un valor de área bajo la curva (AUC) más alto, lo que también indica que el modelo mejorado tiene una robustez más sólida. Si el costo de la detección de límites visuales falsos es igual al de la detección de límites visuales omitidos, el método de detección de límites visuales que utiliza el coeficiente de límites visuales es ligeramente inferior al método de intersección de histogramas estándar en conjuntos de datos de películas y videos. Sin embargo, en el conjunto de datos de video, el método de detección de límites visuales que utiliza coeficientes de límites visuales es ligeramente mejor que el método de intersección de histogramas estándar. Si el costo de los límites visuales falsos y pasados ​​por alto no es igual, ocurre lo contrario. En general, el método que utiliza una diferencia de marcos de ventana ponderada simétrica y una diferencia de marcos de ventana de promedio móvil es más estable y confiable que el método que usa una diferencia de marcos de ventana ponderada simétrica de 1/2 y una diferencia de marcos de ventana de promedio móvil de 1/2.

Ajuste de parámetros del coeficiente límite de percepción visual.

La red neuronal acoplada por pulsos se compara con los resultados de segmentación del método de Kittler y el modelo PCNN tradicional para verificar la efectividad del algoritmo. Tenga en cuenta que este artículo ha realizado muchas pruebas para este algoritmo. Debido a limitaciones de espacio, solo se enumeran algunos resultados típicos de pruebas de imágenes. El principio de funcionamiento de las siguientes cuatro capas de acoplamiento de impulsos es el mismo que el de la primera capa, pero el tamaño del núcleo de acoplamiento de impulsos seleccionado y el tamaño del paso deslizante son diferentes. De manera similar, la capa de agrupación inmediatamente después del segundo acoplamiento de pulso y el quinto acoplamiento de pulso tiene la misma función y parámetros que la capa de agrupación detrás de la primera capa de convolución. Después de que las características se extraen mediante el acoplamiento de pulsos de 5 capas, F-Net utiliza dos capas completamente conectadas para integrar las características extraídas. Todos los elementos de pulso entre las dos capas de la capa completamente conectada tienen derecho a reconectarse, lo que generalmente ocurre en la cola de la red neuronal de acoplamiento de pulsos para garantizar que las características obtenidas a través de PCNN no se pierdan.

Después de obtener la secuencia PMA de la Tabla 1, el siguiente paso es cómo extraer el patrón de movimiento de la secuencia PMA. La esencia es dividir la secuencia PMA en patrones de movimiento. Dado que el modo de movimiento consta de un proceso de aceleración del movimiento y un proceso de desaceleración, el valor de PMA en los puntos inicial y final del modo de movimiento ideal debe ser 0. Para facilitar el procesamiento, utilizamos el modelo triangular para modelar el patrón de movimiento, que Es decir, el modelo de triángulo se utiliza para segmentar la secuencia PMA. Además, incluye el producto de la entrada de retroalimentación y el deterioro de la caída en la última iteración y el producto del valor de salida y la amplitud de los píxeles adyacentes en la última iteración. La entrada del enlace recibe el producto de la entrada del enlace y el valor de atenuación y el producto del valor de salida y la amplitud del píxel adyacente en la última iteración. Como puede verse en la Fig. 6, la entrada de cada tiempo está relacionada con la salida de la última iteración y los elementos de impulso adyacentes, lo que refleja la estrecha conexión del modelo.

Resultados del índice de evaluación de una red neuronal acoplada por pulsos.

Se puede ver que todos los resultados de los indicadores de evaluación objetiva muestran que el algoritmo de percepción propuesto en este artículo es superior a otros algoritmos de percepción al retener los detalles del borde, la línea y el contorno de la imagen fuente. Se puede ver que a través de la optimización de la estrategia de percepción múltiple y la matriz de medición, la nueva idea de percepción de imágenes de múltiples fuentes bajo el marco teórico de PCNN puede mejorar aún más la calidad de la percepción de imágenes. Esto se debe a que el método de este artículo considera plenamente la correlación entre píxeles en la percepción visual y adopta la idea de doble umbral para mejorar aún más la capacidad de segmentación de PCNN. Debido a la interferencia de las imágenes de monitorización exterior y al complejo entorno de fondo de la imagen, como cambios de iluminación y la existencia de sombras, la segmentación de dichas imágenes supone una dificultad en el campo de la percepción visual. Se puede observar que el algoritmo de Kittler es casi ineficaz para la segmentación de este tipo de imágenes. Mientras tanto, la figura comparativa muestra que el método en este documento puede segmentar claramente el área peatonal, y el contorno peatonal está completo, la postura de acción es clara y el objeto con una gran cantidad de detalles en el fondo también tiene un buen efecto de segmentación. . Se puede ver que el algoritmo PCNN con doble umbral mejora en gran medida el rendimiento de segmentación del algoritmo PCNN tradicional y puede reflejar mejor las características de forma del objetivo.

En este artículo, se utiliza Matlab R2010a como entorno de simulación y la imagen de captura de monitoreo exterior se utiliza como representante para probar el algoritmo. La calidad del efecto de iteración tiene una gran relación con el número de iteraciones. Si el número de iteraciones es demasiado grande, se desperdiciarán recursos informáticos y si el número de iteraciones es demasiado pequeño, el algoritmo no se ejecutará adecuadamente. Aunque la estrategia de búsqueda selectiva es más rápida y mejor que la búsqueda de fuerza bruta y el algoritmo de segmentación en la extracción de regiones candidatas, todavía se dedica mucho tiempo a la extracción de regiones candidatas en el proceso de detección de objetivos mediante la estrategia de búsqueda selectiva. Por ejemplo, se necesitan 2 s para extraer regiones candidatas para cada imagen mediante la estrategia de búsqueda selectiva en el modelo Fast R-PCNN, pero solo 0,2 s para extraer y clasificar todas las regiones candidatas utilizando una red neuronal acoplada por pulsos más adelante.

La diferencia entre el algoritmo LSCN que usa la frecuencia de ignición como salida y el algoritmo que usa el elemento L como salida en la Fig. 7 está solo en el elemento de salida, para comparar los resultados del modelo LSCN que usa la frecuencia de ignición y el elemento L para guiar la percepción respectivamente. . El algoritmo tradicional selecciona el valor de píxel de la imagen perceptiva a través del tamaño de la tasa de frecuencia de ignición.

Topología de la red de percepción visual.

El módulo tiene 15 cuadros de visualización, que muestran respectivamente las imágenes de subbanda de alta y baja frecuencia de la imagen A, B después de la descomposición NSST (Transformada de onda de corte sin muestreo reducido), las imágenes de subbanda de alta y baja frecuencia después de la fusión y los resultados finales de la percepción. Haga clic en el botón 1 para ingresar la imagen que se va a detectar, haga clic en el botón 2 para realizar la descomposición NSST en las imágenes A y B para obtener los subgráficos de alta y baja frecuencia correspondientes, y haga clic en el botón 3 para percibir las correspondientes frecuencias alta y baja de las imágenes A y B respectivamente. El algoritmo de este capítulo y el algoritmo LSCN de división de frecuencia utilizan el tamaño del elemento L para determinar el valor de píxel de la imagen perceptiva. El algoritmo de este capítulo se compara con cuatro algoritmos tradicionales, el propósito es comparar el efecto del uso del modelo LSCN mejorado y el algoritmo de percepción tradicional.

El ejemplo primero inicializa la capa de acoplamiento de pulso compartido utilizando el modelo previamente entrenado en ImageNet, y luego establece la ruta de datos de entrada al conjunto de datos de entrenamiento de Wider Face y establece 1 imagen como un lote. Las imágenes de cada lote extraen características compartidas a través de la capa de acoplamiento de pulso compartida y se centran en extraer características faciales a través de la capa de acoplamiento de pulso especial para la detección de rostros. Después del cálculo anticipado a la última capa de F-RPN, se calcula la pérdida de clasificación de rostros y la pérdida de regresión de bordes, y luego la pérdida se transmite de regreso y se actualizan los parámetros de la capa de convolución compartida y F-RPN.

Aquí, el número de conjuntos de datos de entrenamiento se establece en 4 veces, por lo que el entrenamiento continúa hasta que se completa el 4 entrenamiento de todas las imágenes. Todos los puntos del conjunto de datos están marcados en el gráfico y el gráfico formado por estos puntos se denomina gráfico de decisión. En la Tabla 2, los puntos con valores grandes, por encima del gráfico de coordenadas y lejos del área densa inferior se seleccionan como centro de agrupación. Sin embargo, cuando hay una serie de puntos dispersos continuos en el gráfico de decisión, es muy difícil seleccionar el centro de agrupación adecuado.

AT se define como la precisión de segmentación de objetivos más alta que se puede lograr cuando se utilizan superpíxeles como unidades, y la proporción de píxeles etiquetados que no se escapan del límite de la verdad fundamental se calcula etiquetando cada superpíxel con el fragmento de verdad fundamental con el producto de superficie de superposición más grande. Su rango es [0,1] y cuanto mayor sea el valor, mejor, lo que indica que el superpíxel se superpone más con el objeto de la imagen. Luego, cuando la ventana deslizante se desliza sobre la imagen, el punto central de la ventana deslizante actual se puede registrar cada vez que alcanza una nueva posición.

Con las reglas de posición de las regiones candidatas en relación con la ventana deslizante y la posición del punto central de la ventana deslizante, la posición de todas las regiones candidatas se puede reproducir en cualquier momento. El método de extracción de textura de filtrado de Gabor y el método de extracción de compás PCNN seleccionados en este artículo tienen cierta base teórica biológica, lo que hace que las características de la región saliente extraída tengan mayor credibilidad biológica. Finalmente, se utiliza el método de clasificación múltiple de la máquina de vectores de soporte para realizar experimentos en la biblioteca de imágenes relacionada. Los resultados de la clasificación muestran que la introducción de prominencia visual en la clasificación de imágenes puede reducir la complejidad del cálculo y la precisión de la clasificación es del 94,26%, que es un 4,3% mayor que la clasificación de las características de la imagen original.

Debido a la alta definición de las imágenes utilizadas en el conjunto de datos de la tarea y al menor cambio en la postura humana, ambas redes logran una buena precisión de detección y la PCNN optimizada es ligeramente mejor que la red en serie. Sin embargo, en términos de tiempo de detección única, la PCNN optimizada requiere casi un tercio menos de tiempo de detección que la red en serie. Por lo tanto, la PCNN en la Fig. 8 puede completar la detección de múltiples tareas al mismo tiempo en poco tiempo y mantener o incluso mejorar la tasa de detección. El valor AT del método en este artículo es mayor que el de otros métodos en las tres imágenes medidas, alcanzando 0,9544 y 0,9832 respectivamente, lo que indica que la integridad de la retención de límites es buena, el contorno del objeto objetivo se puede extraer mejor y el El resultado de la segmentación es preciso y confiable. Se puede ver en la comparación del tiempo promedio de cada algoritmo cuando el número de segmentación es 300 en 50 imágenes en la biblioteca de imágenes que el tiempo de segmentación del algoritmo en este artículo es relativamente largo, principalmente porque se introduce el cálculo iterativo del activo interno. El valor U del elemento de los píxeles vecinos consume más tiempo. Sin embargo, de acuerdo con los resultados de la comparación de cada índice y el efecto de segmentación, el método de segmentación propuesto en este artículo tiene ciertas ventajas sobre otros métodos de segmentación. Al compararlo con una variedad de algoritmos, se concluye que el algoritmo de este artículo es mejor que el algoritmo de comparación tanto desde el punto de vista del ojo humano como de los indicadores de evaluación objetiva.

Resultados de clasificación del conjunto de datos de entrenamiento de percepción visual.

En vista del algoritmo de segmentación de figura tradicional bajo una división compleja del entorno de fondo, como problemas de baja precisión y antiinterferencia deficiente, este artículo construye el modelo de percepción visual basado en una red neuronal acoplada por pulsos, utilizando el modelo PCNN característico de acoplamiento del punto de pulso, considerando la correlación entre los píxeles, introdujo las ideas de umbral para mejorar el modelo PCNN. En primer lugar, el campo de movimiento del cuadro de la imagen se estima en el dominio del tiempo, y luego la región de movimiento global y la región de movimiento local se obtienen mediante el método de estimación de movimiento global basado en el modelo de movimiento afín de seis parámetros, que se utilizan para la percepción visual. consulta de tipo de operación o consulta de movimiento global. Cuando se aplica el modelo tradicional a la segmentación de imágenes, el efecto no es ideal si solo se basa en las características de oscilación sincrónica del modelo. El modelo de percepción visual de la red neuronal acoplada por pulsos (PCNN) se encuentra y propone en el estudio del fenómeno de oscilación sincrónica del pulso de las neuronas de la corteza visual de los mamíferos. Las características del modelo son consistentes con el progreso actual de la investigación de la visión biológica, pero el modelo tiene deficiencias en la eficiencia computacional. Esto limita la aplicación del modelo a otros dominios técnicos. Entonces, sin cambiar las excelentes características del modelo, el enfoque del siguiente paso es cómo simplificar el modelo y mejorar su algoritmo. Luego, la región de movimiento local se segmenta mediante una consistencia de movimiento afín de múltiples etapas para obtener una región de movimiento independiente. En el dominio espacial, el sistema se divide principalmente en diferentes métodos de reconstrucción de detección comprimida, transformaciones de ondas de corte sin reducción de resolución, percepción de imágenes y otros módulos. Al mismo tiempo, se introduce la función de medida de uniformidad regional para realizar la selección automática de los resultados de segmentación óptimos. Los resultados experimentales muestran que, en comparación con el modelo tradicional, el efecto de segmentación, la antiinterferencia, la velocidad de operación y la estabilidad del modelo de percepción visual basado en la red neuronal de acoplamiento de pulsos propuesto en este artículo se han mejorado en diversos grados.

Los datos utilizados para respaldar los hallazgos de este estudio se incluyen en el artículo.

Li, X. y col. Un modelo mejorado de red neuronal acoplada a pulsos para Pansharpening[J]. Sensores 20(10), 2764 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Pan, G. & Kong, X. Red neuronal de pareja de pulsos basada en la percepción visual [J]. J. Física: Conf. Ser. 1622(1), 012131 (2020).

Google Académico

Chen, Y., Xia, R., Yang, K., Zou, K.DGCA: Imagen de alta resolución en pintura a través de DR-GAN y atención contextual [J]. Multimo. Herramientas Aplica. (2023).

Chen, Y., Xia, R., Zou, K. y Yang, K. FFTI: algoritmo de pintura de imágenes mediante fusión de características y pintura en dos pasos [J]. J. Vis. Comunitario. Representación de imagen. 91, 103776–103816 (2023).

Artículo de Google Scholar

Chen, Y., Xia, R., Yang, K., Zou, K. MFFN: Superresolución de imágenes a través de una red de fusión de características multinivel [J]. Computación visual. (2023).

Lian, J. y col. Una descripción general de la segmentación de imágenes basada en una red neuronal acoplada por pulsos [J]. Arco. Computadora. Métodos Ing. 28(2), 387–403 (2021).

Artículo MathSciNet Google Scholar

Chen, Y., Xia, R., Yang, K. y Zou, K. DARGS: Algoritmo de pintura de imágenes mediante semántica y grupo de residuos de atención profunda [J]. J King Saud Univ.-Comput. Informar. Ciencia. 35, 101567 (2023).

Google Académico

Chen, Y., Xia, R., Zou, K., Yang, K. RNON: Imagen en pintura a través de una red de reparación y una red de optimización [J]. En t. J. Mach. Aprender. Cibern. (2023).

Wu, Q. y col. La codificación de picos con neuronas sensoriales ópticas permite una red neuronal acoplada a pulsos para la segmentación de imágenes ultravioleta [J]. Nano Lett. 20(11), 8015–8023 (2020).

Artículo ADS CAS PubMed Google Scholar

Jiang, L., Zhang, D. & Che, L. Fusión de imágenes de enfoque múltiple basada en análisis de textura utilizando una red neuronal acoplada por pulsos modificada (PCNN) [J]. Proceso de señal. Imagen Comunitaria. 91, 116068 (2021).

Artículo de Google Scholar

Wu, C. y Chen, L. Método de fusión de imágenes visibles e infrarrojas de NSCT dual y PCNN [J]. MÁS UNO 15(9), e0239535 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Xu, G. y col. Segmentación de imágenes en color no supervisada con función de solo color utilizando una red neuronal acoplada a pulsos de crecimiento de región [J]. Neurocomputación 306, 14-16 (2018).

Artículo de Google Scholar

Duan, P. y col. Visualización de imágenes hiperespectrales basada en redes neuronales acopladas a pulsos multicanal [J]. Traducción IEEE. Geociencias. Sensores remotos 58(4), 2444–2456 (2019).

ADS del artículo Google Scholar

Huang, C. y col. Una nueva red neuronal acoplada por pulsos (PCNN) para la fusión de imágenes médicas del cerebro potenciada por un algoritmo de salto de rana aleatorio [J]. Frente. Neurociencias. 13, 210 (2019).

Artículo PubMed PubMed Central Google Scholar

Zhang, JM, Huang, HT, et al. Seguimiento visual siamés basado en atención entrecruzada y red cerebral mejorada [J]. Multimed. Herramientas Aplica. (2023).

Zhang, JM, Zou, X. et al. CCTSDB 2021: Un punto de referencia de detección de señales de tráfico más completo[J]. Computación centrada en el ser humano. Informar. Ciencia. (2023).

Nie, R. y col. Mejora de imágenes de resonancia magnética basada en redes neuronales acopladas por pulsos utilizando un campo receptivo visual clásico para una atención médica móvil más inteligente [J]. J. Ambiente. Intel. Humaniz. Computadora. 10(10), 4059–4070 (2019).

Artículo de Google Scholar

Si, Y. LPPCNN: Un método de red neuronal acoplada por pulsos basado en una pirámide laplaciana para la fusión de imágenes médicas [J]. J. Aplica. Ciencia. Ing. 24(3), 299–305 (2021).

Google Académico

Su, X. et al. Fusión de imágenes infrarrojas de doble banda con red neuronal acoplada por pulsos simplificada y mapa de prominencia visual en el dominio de transformada shearlet sin submuestreado [J]. Informar. Optar. Fotón. 11209, 253–260 (2019).

Google Académico

Jing, J. Compensación de información basada en una red neuronal acoplada por pulsos [J]. Proceso de señal., 9–13 (2021).

Zhang, JM y cols. ReYOLO: un detector de señales de tráfico basado en reparametrización de red y presenta ponderación adaptativa [J]. J. Inteligencia ambiental. Entorno inteligente. 14(4), 317–334 (2023).

Artículo de Google Scholar

Panigrahy, C., Seal, A. y Mahato, NK Fusión de imágenes de MRI y SPECT utilizando un PCNN[J] de doble canal adaptativo de parámetros ponderados. Proceso de señal IEEE. Letón. 27, 690–694 (2020).

ADS del artículo Google Scholar

Yang, B. y Chen, Q. Fusión eficiente de imágenes de enfoque múltiple utilizando verificación de consistencia basada en red neuronal acoplada por pulso adaptativo de parámetros [J]. Sens. Imaging 23 (1), 13–22 (2022).

ADS del artículo Google Scholar

Jia, H. y col. Red neuronal acoplada por pulsos basada en el algoritmo de optimización de Harris Hawk para la segmentación de imágenes [J]. Multimed. Herramientas Aplica. 79(37), 28369–28392 (2020).

Artículo de Google Scholar

Singh, S. y Gupta, D. Modelo de fusión de imágenes médicas multimodales de múltiples etapas utilizando una red neuronal acoplada a pulsos adaptativos de características [J]. En t. J. Sistema de imágenes. Tecnología. 31(2), 981–1001 (2021).

Artículo de Google Scholar

Él, F. et al. Un algoritmo de segmentación de imágenes basado en un modelo de red neuronal acoplada por pulsos de doble capa para la detección de kiwis [J]. Computadora. eléctrico. Ing. 79, 106466 (2019).

Artículo de Google Scholar

Descargar referencias

El trabajo de este artículo fue apoyado por el Proyecto Clave de Investigación en Ciencias Naturales de la Universidad de Suzhou (2021yzd08); Proyecto de demostración de la Oficina Provincial de Docencia e Investigación de Nivel Básico de Ingeniería de Software (2020SJSFJXZZ417); Equipo de enseñanza dual a nivel escolar de la Universidad de Suzhou (2019XJSN06); Disciplinas clave de la informática y la tecnología (2019xjzdxk1)

Escuela de Ingeniería de la Información, Universidad de Suzhou, Suzhou, 234000, China

Ming Dong Li

También puedes buscar este autor en PubMed Google Scholar.

Todo el trabajo de este manuscrito fue realizado de forma independiente por el autor correspondiente ML.

Correspondencia a Mingdong Li.

El autor no declara intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Li, M. Análisis de simulación del modelo de percepción visual basado en una red neuronal acoplada por pulsos. Informe científico 13, 12281 (2023). https://doi.org/10.1038/s41598-023-39376-z

Descargar cita

Recibido: 13 de marzo de 2023

Aceptado: 25 de julio de 2023

Publicado: 28 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-39376-z

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.