종이 개요
이 논문은 시각적 패턴 인식에 대한 자율 신경 네트워크 모델을 제시한다. 네트워크 형상은 유사의 방법에 의한 식별을 완료하기 위해, 물체의 위치의 영향을 인식하지 않는다. 이러한 네트워크의 논문은 neocognitron이라고합니다.
오정렬은 가장 심각하게 다른 위치 또는 동일한 스타일 매끄러운 다른 수준의 다른 모드와 같은 전통적인 신경망에 제시된 동일한 패턴 신경망 입력 모드 모양 왜곡의 영향. 그러나 자기 조직화 신경망 모델은 거의 자극의 위치에 의해 영향을받지되는 네트워크 모드에 대한 응답으로 제안했다.
신경 네트워크 아키텍처
HUBEL 및 위젤 세포는 종류이었다 : LGB (측면 geniculate 바디) → 간단한 세포 → 복잡한 세포 → 낮은 순서 hypercomplex 세포 → 높은 순서 hypercomplex 세포
.도 1에 도시 된 바와 같이, 입력 층의 모든 구조 U0 때까지, neocognitron의 모듈 구성하는 일련의 캐스케이드 접속. 각 모듈의 구조는 세포 캐스케이드 2 층에 의해 연결된다. 제 1 모듈 레이어, 우리는 층의 호출 층의 L 모듈 USL로 표시되는 저급 순서 hypercomplex 세포 대응 조성, S 세포 또는 단순 셀 "셀 (S-셀)의" . 두 번째 층은 복잡한 세포 또는 고차 hypercomplex 셀에 대응하는 "C 세포 (C 세포)"모듈로 구성된다. 우리는 층 C, C와 L 번째 층 UCL 모듈로 표현 부른다. 이 신경망에서, 단지 입력 세포층 시냅스들 및 수정 가능성.
상부 입력 자극을 느낄 최선의 상이한 부분에 기초하여 상기 셀 또는 셀 (C)의 하나의 S, 그것은 서브 그룹 (서브 그룹)으로 분할된다. 우리는 "플랫 셀 (셀 면내)"로 서브 그룹이 호출되도록 셀 각각의 서브 그룹은 2 차원 그래픽으로 묘사 될 수 있기 때문이다. S면과 C면은 평면 셀과 셀 (C)의 셀에 의해 표현된다.
층간 상호 연결은도 2 개략도이다. 의 S면 또는 c면을 나타내는 굵은 선으로 그려진 각 직사각형은, 수직으로 그려진가는 선은 각각의 C 층 또는 층 폐쇄되는 사각형의 층 또는 층 C를 나타낸다.
셀의 깊이와 같은 네트워크 증가의면에서 각 셀 평면 내의 셀의 총 개수는 감소된다. 마지막 모듈에서 셀 C 각각 커버 전체 입력 층의 면적과 C 플레인의 각각은 셀 C에있는 것으로 판단하는 것이 매우 큰 허용 도메인된다.
자가 조직 네트워크
먼저, 각각의 경우에서의 자극 패턴 여러 "대표적 (주제)를 선택 '은 각 층으로부터 S S의 셀. 주제 S 세포는 세포 출력 S 다량 밖으로 선택된 각 기껏 선택된 평면을 나타내는. 종래의 인식 부에서 S 세포로부터 선택 유사한 절차 (종래 cognitron) 인핸스먼트 프로세스 세포를 선택 하였다.
주제 시냅스 입력 S 세포는 동일한 방식 RMS 형으로 향상된다. 셀이 선택된 경우의 S면에서, 평면에서 다른 세포 시냅스 입력 S는 동일한 방식으로 강화된다. 어떤 셀이 S면에 선택하지 않은 경우에는 S면에서의 모든 셀의 시냅스 입력이 강화 될 것이다.
작품 네트워크
이 네트워크에서, 이전의 연구에서 얻어진 입력 패턴과 기준 패턴을 비교한다. 이 비교는 패턴 매칭에 큰 창에 의해 수행되지는 오히려 작은 세그먼트의 패턴 매칭 창에 의해 직접 수행된다. 어떤 작은 창에서 두 모드 사이의 차이가 특정 한도를 초과하지 않는 경우에만, 네트워크는 이러한 패턴이 다른 모드와 일치 심판 할 것이다.
각 단계의 비교, 위치 공차의 모드 변경은 서서히 증가한다. 더 될 것 높은 단계에서 창의 크기를 비교. 마지막 단계에서, 창이 전체 입력 모드 정보를 동시에 관찰 할 수있는 충분한 크기이다.
첫 번째 단계, 패턴 매칭은 작은 에러 검사를 통해 작은 창 복수 오랫동안으로서 제 1 단계에서 병렬로 테스트이기 때문에 그들이 일치하는 것으로 간주 될 수있다. 따라서, 입력 패턴은 네트워크 형상에 약간의 왜곡이있는 경우에도 그것을 정확한 패턴을 인식 할 수있다.
