Применение осцилляторных нейронных сетей позволяет выделить все объекты на фотоснимке (путём группировки осцилляторов по частоте синхронизации) и переключать внимание между ними. Известны и более простые способы выделения объекта, однако данный метод максимально близко моделирует процесс распознавания, который происходит в человеческом мозгу.
In this paper we formulate singular theories (determined by degenerate Lagrangians) without involving constraints. We construct a partial Hamiltonian formalism in reduced phase space (with arbitrary number of momenta). The equations of motion are first-order differential equations, and they coincide with ones of the multi-time dynamics under a certain condition, which in a singular theory is coincidence of number of generalized momenta to the rank of the Hessian matrix. Non-canonical generalized velocities satisfy the system of linear algebraic equations, which sets the appropriate classification of singular theories (gauge and nongauge). To describe the time evolution of physical quantities we introduce a new anti-symmetric bracket (similar to the Poisson bracket). It is shown how the extension of the phase space leads to constraints, and the new bracket goes into the Dirac bracket. Quantization is briefly discussed.
In this paper we formulate singular theories (determined by degenerate Lagrangians) without involving constraints. We construct a partial Hamiltonian formalism in reduced phase space (with arbitrary number of momenta). The equations of motion are first-order differential equations, and they coincide with ones of the multi-time dynamics under a certain condition, which in a singular theory is coincidence of number of generalized momenta to the rank of the Hessian matrix. Non-canonical generalized velocities satisfy the system of linear algebraic equations, which sets the appropriate classification of singular theories (gauge and nongauge). To describe the time evolution of physical quantities we introduce a new anti-symmetric bracket (similar to the Poisson bracket). It is shown how the extension of the phase space leads to constraints, and the new bracket goes into the Dirac bracket. Quantization is briefly discussed.
Лекция №12 "Ограниченная машина Больцмана" Technosphere1
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №12 "Ограниченная машина Больцмана"
Лектор - Павел Нестеров
Нейросетейвой автоэнкодер. Стохастические и рекурентные нейронные сети. Машина Больцмана и ограниченная машина Больцмана. Распределение Гиббса. Алгоритм contrastive divergence для обучения РБМ. Сэмплирование данных из РБМ. Бинарная РБМ и гауссово-бинарная РБМ. Влияние регуляризации, нелинейное сжатие размерности, извлечение признаков. Semantic hashing.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
From Gaussian world to Pareto-Mandelbrot world: How nonlinearity, fractals, objects look like when they are social.
Observations, data, ideas, hypotheses.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №11 "Основы нейронных сетей"
Лектор - Павел Нестеров
Биологический нейрон и нейронные сети. Искусственный нейрон Маккалока-Питтса и искусственная нейронная сеть. Персептрон Розенблатта и Румельхарта. Алгоритм обратного распространения ошибки. Момент обучения, регуляризация в нейросети, локальная скорость обучения, softmax слой. Различные режимы обучения.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Введение в архитектуры нейронных сетей / HighLoad++ 2016Grigory Sapunov
Slides from HighLoad++ 2016 conference.
Introduction into neural network architectures (Rus)
Презентация для конференции HighLoad++ 2016.
http://www.highload.ru/2016/abstracts/2454.html
Видеозапись доклада:
https://www.youtube.com/watch?v=XY5AczPW7V4
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)Ontico
Цель доклада — помочь слушателям построить актуальную карту происходящего в области искусственных нейронных сетей. В рассказ войдёт разбор основных архитектур промышленных нейросетей сегодняшнего дня, их особенности и отличия друг от друга, границы применения и типовые решаемые задачи, а также актуальные направления развития области, в настоящий момент выходящие из лабораторий в промышленное использование. Также коснёмся темы используемых в индустрии фреймворков для работы с нейросетями.
EEG segmentation method based on analysis of traveling wavesIgor Kolodkin
This project represents a method for electroencephalography based on the analysis of traveling waves. The method can be applied to analysis of spatially organized physical, chemical, and biological processes. In particular, the method can be used to neurophysiological, geothermal and ocean researches and to studies of the distributed solar dynamics.
Experimental researches of the method have been carried out on the real data of human brain electroencephalography (EEG). It is shown that the proposed method outperforms the classical methods of EEG segmentation
Докладчик: ведущий научный сотрудник Центра философско-методологических и междисциплинарных исследований Института философии НАН Беларуси, кандидат философских наук, доцент Андрей Колесников
В докладе речь идёт о возникновении, составных частях, базовых парадигмальных элементах, а также перспективах развития синергетики.
Синергетика — комплексное общенаучное направление, занятое исследованием и интерпретацией взаимосвязанных самоорганизационных явлений и моделей, а также феномена детерминированного хаоса и самоорганизованной критичности. Кроме того, во второй части сообщается о некоторых теоретических дополнениях в области оснований математики, связанных с открытиями синергетики.
Предложенная концепция построения нейронной сети на базе иерархической функциональной системы показала свою эффективность при разработке онтологий в различных информационных динамических предметных областях: медицина, экономика, мобильная связь и кластерный анализ многомерных данных. Вертикальные возмущения ФС позволяют эксперту найти когнитивные ситуации, которые не были им обнаружены при проектировании базы знаний.
Лекция №12 "Ограниченная машина Больцмана" Technosphere1
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №12 "Ограниченная машина Больцмана"
Лектор - Павел Нестеров
Нейросетейвой автоэнкодер. Стохастические и рекурентные нейронные сети. Машина Больцмана и ограниченная машина Больцмана. Распределение Гиббса. Алгоритм contrastive divergence для обучения РБМ. Сэмплирование данных из РБМ. Бинарная РБМ и гауссово-бинарная РБМ. Влияние регуляризации, нелинейное сжатие размерности, извлечение признаков. Semantic hashing.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
From Gaussian world to Pareto-Mandelbrot world: How nonlinearity, fractals, objects look like when they are social.
Observations, data, ideas, hypotheses.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №11 "Основы нейронных сетей"
Лектор - Павел Нестеров
Биологический нейрон и нейронные сети. Искусственный нейрон Маккалока-Питтса и искусственная нейронная сеть. Персептрон Розенблатта и Румельхарта. Алгоритм обратного распространения ошибки. Момент обучения, регуляризация в нейросети, локальная скорость обучения, softmax слой. Различные режимы обучения.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Введение в архитектуры нейронных сетей / HighLoad++ 2016Grigory Sapunov
Slides from HighLoad++ 2016 conference.
Introduction into neural network architectures (Rus)
Презентация для конференции HighLoad++ 2016.
http://www.highload.ru/2016/abstracts/2454.html
Видеозапись доклада:
https://www.youtube.com/watch?v=XY5AczPW7V4
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)Ontico
Цель доклада — помочь слушателям построить актуальную карту происходящего в области искусственных нейронных сетей. В рассказ войдёт разбор основных архитектур промышленных нейросетей сегодняшнего дня, их особенности и отличия друг от друга, границы применения и типовые решаемые задачи, а также актуальные направления развития области, в настоящий момент выходящие из лабораторий в промышленное использование. Также коснёмся темы используемых в индустрии фреймворков для работы с нейросетями.
EEG segmentation method based on analysis of traveling wavesIgor Kolodkin
This project represents a method for electroencephalography based on the analysis of traveling waves. The method can be applied to analysis of spatially organized physical, chemical, and biological processes. In particular, the method can be used to neurophysiological, geothermal and ocean researches and to studies of the distributed solar dynamics.
Experimental researches of the method have been carried out on the real data of human brain electroencephalography (EEG). It is shown that the proposed method outperforms the classical methods of EEG segmentation
Докладчик: ведущий научный сотрудник Центра философско-методологических и междисциплинарных исследований Института философии НАН Беларуси, кандидат философских наук, доцент Андрей Колесников
В докладе речь идёт о возникновении, составных частях, базовых парадигмальных элементах, а также перспективах развития синергетики.
Синергетика — комплексное общенаучное направление, занятое исследованием и интерпретацией взаимосвязанных самоорганизационных явлений и моделей, а также феномена детерминированного хаоса и самоорганизованной критичности. Кроме того, во второй части сообщается о некоторых теоретических дополнениях в области оснований математики, связанных с открытиями синергетики.
Предложенная концепция построения нейронной сети на базе иерархической функциональной системы показала свою эффективность при разработке онтологий в различных информационных динамических предметных областях: медицина, экономика, мобильная связь и кластерный анализ многомерных данных. Вертикальные возмущения ФС позволяют эксперту найти когнитивные ситуации, которые не были им обнаружены при проектировании базы знаний.
Исследование характеристик динамического предсказания ветвлений в конвейере с...Semen Martynov
Конвейерный принцип обработки информации используется с целью увеличения быстродействия процессора и максимального использования всех его возможностей в современных микропроцессорах. Выполнение каждой команды складывается из ряда последовательных этапов, суть которых не меняется от команды к команде. Рассмотрим принципы конвейерной обработки информации на примере пятиступенчатого конвейера
Кэш-независимые алгоритмы: анализ алгоритма перемножения квадратных матрицSemen Martynov
При разработке кэш-независимых алгоритмов (cache-oblivious algorithms) не делается предположений о реальной структуре кэша (а реальная производительность не должна заметно деградировать), но используется модель "идеального кэша"
Задача выделения объекта на изображении: хаотично-фазовая синхронизация и асинхронность в осцилляторных нейронных сетях
1. Задача выделения объекта на изображении:
хаотично-фазовая синхронизация и асинхронность в
осцилляторных нейронных сетях
Мартынов Семён
Санкт-Петербургский государственный политехнический университет
semen.martynov@gmail.com
16 декабря 2014 г.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 1 / 36
2. Содержание
1 Базовые понятия
2 Синхронизация и зрительное внимание
3 Хаотично-фазовая синхронизация
Аттрактор Рёсслера
4 Осцилляторные сети и распознавание
5 Результаты симуляции
6 Заключение
7 Ссылки
8 Вопросы
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 2 / 36
3. Базовые понятия
Нейронная сеть (1)
Сложная совокупность нейронов, функционально объединенных в
нервной системе и обеспечивающих взаимосвязанное поведение всех
систем организма.
Нейронная сеть (2)
Упрощенная (математическая/программная/аппаратная) модель
биологической нейронной сетей.
Осцилляторная нейронная сеть
Класс нейронных сетей, в котором рассматриваются колебательные
аспекты их функционирования. Функциональной единицей
осцилляторных нейронных сетей, как правило, является осциллятор,
т. е. объект с колебательными свойствами.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 3 / 36
4. Синхронизация и зрительное внимание
Какие объекты находятся на рисунке 1?
Рис. 1 : Площадь Тяньаньмэнь
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 4 / 36
5. Синхронизация и зрительное внимание
Что позволяет их выделить объекты на рисунке 2?
Рис. 2 : Площадь Тяньаньмэнь с выделенными объектами
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 5 / 36
6. Синхронизация и зрительное внимание
Идея динамического связывания (dynamical binding):
Колебательная нейронная активность и синхронизация в
зрительной коре мозга кошки и обезьяны.
Использования явлений синхронизации и резонанса в других
структурами мозга (обонятельной корой, гиппокампом,
таламокортикальной системой, новой корой).
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 6 / 36
7. Синхронизация и зрительное внимание
Идея динамического связывания (dynamical binding):
Колебательная нейронная активность и синхронизация в
зрительной коре мозга кошки и обезьяны.
Использования явлений синхронизации и резонанса в других
структурами мозга (обонятельной корой, гиппокампом,
таламокортикальной системой, новой корой).
В отличие от медленной адаптации нейронных сетей под действием
алгоритмов обучения, динамическое связывание способно обеспечить
немедленную реакцию сети, необходимую при выполнении задач
обработки информации в режиме реального времени!
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 6 / 36
8. Синхронизация и зрительное внимание
Существуют два базовых подхода к построению компьютерной модели
формирования внимания:
- на основе места (location-based model) - активируется одним
(сигнальным) нейроном, акцент на одну точку;
- на основе объекта (object-based model) - базовым юнитом,
конкурирующим за внимание является целый объект (либо его
часть).
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 7 / 36
9. Синхронизация и зрительное внимание
Существуют два базовых подхода к построению компьютерной модели
формирования внимания:
- на основе места (location-based model) - активируется одним
(сигнальным) нейроном, акцент на одну точку;
- на основе объекта (object-based model) - базовым юнитом,
конкурирующим за внимание является целый объект (либо его
часть).
Биологические системы обучились вычленять из окружающей среды
максимально релевантную информацию (WTA), и подавлять
второстепенную. Объект, захвативший внимание, постепенно теряет
актуальность, уступая остальным объектам.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 7 / 36
10. Синхронизация и зрительное внимание
Благодаря связи между синхронизацией и зрительным
вниманием, были предложены модели распознавания объектов с
полной синхронизация между осцилляторами, используемыми
для представления объектов.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 8 / 36
11. Синхронизация и зрительное внимание
Благодаря связи между синхронизацией и зрительным
вниманием, были предложены модели распознавания объектов с
полной синхронизация между осцилляторами, используемыми
для представления объектов.
На практике, феномен полной синхронизации встречался крайне
редко.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 8 / 36
12. Синхронизация и зрительное внимание
Благодаря связи между синхронизацией и зрительным
вниманием, были предложены модели распознавания объектов с
полной синхронизация между осцилляторами, используемыми
для представления объектов.
На практике, феномен полной синхронизации встречался крайне
редко.
Следовательно, прочие формы синхронизации должны быть
рассмотрены!
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 8 / 36
13. Синхронизация и зрительное внимание
Виды синхронизаций:
Полная (complete synchronization) - полная сходимость (во
времени) соответствующих переменных всех нейронов в сети.
Фазовая (phase synchronization) - разность фаз между элементами
сети со временем должна либо вообще не меняться, либо
находиться в определённых конечных границах, при этом
игнорируя отношение амплитуд.
Запаздывающая (lag synchronization) - происходит в сильно
связных колебательных системах, когда они выровняются по фазе
и амплитуде, но остаются сдвинуты во времени.
Опережающая (anticipating synchronization) - происходит в
сонаправленных системах коллективного поведения, где одна
система движется с определением относительно остальных.
Обобщенная (generalized synchronization) - подобна фазовой,
только отношение между фазами должны описываться
определённой функцией.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 9 / 36
14. Хаотично-фазовая синхронизация
Подход фазовой синхронизации позволяет исследовать
синхронизацию сетей с осцилляторами, параметры которых могут
отличаться.
Рассмотрим хаотично-фазовую синхронизацию на основе
сдвоенного хаотического аттрактора Рёсслера, которая позволяет
создать механизм поиска и подсветки объекта, на который будет
обращено внимание.
В процессе работы, группа нейронов (представляющих приметный
объект на снимке) фиксируется по своей фазе, т.е. каждый нейрон
производит уникальную хаотическую траекторию, но вместе они
оказываются фазной-связанными. В это же время, другие группы
нейронов, представляющие другие объекты на снимке, двигаются
в своих фазах, никак не связанных с рассматриваемой нами.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 10 / 36
15. Хаотично-фазовая синхронизация
Аттрактор - компактное подмножество фазового пространства
динамической системы, все траектории из некоторой окрестности
которого стремятся к нему при времени, стремящемся к
бесконечности.
Аттрактор Рёсслера — хаотический аттрактор, которым обладает
система дифференциальных уравнений Рёсслера:
dx
dt = −y − z
dy
dt = x + ay
dz
dt = b + z(x − c)
;
где a, b, c — положительные постоянные. При значениях
параметров a = b = 0, 2 и 2, 6 ≤ c ≤ 4, 2 уравнения Рёсслера
обладают устойчивым предельным циклом. При этих значениях
параметров период и форма предельного цикла совершают
последовательность удвоения периода.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 11 / 36
16. Синхронизация и зрительное внимание
Сразу же за точкой c = 4,2 возникает явление хаотического
аттрактора. Чётко определённые линии предельных циклов
расплываются и заполняют фазовое пространство бесконечным
счетным множеством траекторий, обладающим свойствами фрактала.
Рис. 3 : Сдвоенный хаотический аттрактора Рёсслера
Рекомендую видео: http://www.youtube.com/watch?v=ef3M0n8MK-0
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 12 / 36
17. Хаотично-фазовая синхронизация
Два осциллятора будем называть синхронными по фазе, если
разность их фаз остаётся ограниченной, а амплитуда может не
коррелировать.
Другими словами, |φ1 − φ2| < M при t → ∞
Фаза осциллятора φ определяется следующим образом:
φ = Υ(arctan(y/x)),
где x и y являются переменными осциллятора, а функция Υ
гарантирует рост числа φ.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 13 / 36
18. Хаотично-фазовая синхронизация
Два связных осциллятора Рёсслера также могут быть
синхронными по фазе, если обеспечивается достаточная сила
связности!
Массив из N (попарно) связных осцилляторов Рёсслера
представлен следующим уравнением:
˙xi = −ωi yi − zi + k(2xi − xi−1 − xi+i ),
˙yi = ωi xi − ayi ,
˙zi = b + zi (xi − c),
где используются три константы a = 0, 15, b = 0, 2 и c = 10, а
значение ωi для каждого осциллятора выбирается случайным
образом в интервале [0, 981, 02]. Параметр k отвечает за силу
связности.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 14 / 36
19. Хаотично-фазовая синхронизация
Возьмём 50 связных Рёсслеровских систем, и проследим по рисунку 4
переход от хаотического к синхронному состоянию.
Рис. 4 : Отклонение от фазы в секундах (s) синхронной (k = 0,05), почти
синхронной (k = 0,03) и не синхронной (k = 0,01) систем.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 15 / 36
20. Хаотично-фазовая синхронизация
Если опустить дополнительные математические подробности
(основанные на экспоненте Ляпунова), то:
при силе связи равной нулю, синхронизации (в том числе фазовой
синхронизации) не наблюдается.
при увеличении силы связи, фазы синхронизируются, но
амплитуды двух осцилляторов остаются некоррелированными.
при дальнейшем росте силы связи, достигается полная
синхронизация (с небольшой разницей между траекториями двух
осцилляторов).
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 16 / 36
21. Осцилляторные сети и распознавание
Рассмотрим модель двухмерной сети Рёсслеровских
осцилляторов, построенной по следующим формулам
˙xi,j = −ωi,j yi,j − zi,j + k+
i,j ∆+xi,j + k−
i,j ∆−xi,j ,
˙yi,j = ωi,j xi,j − ayi,j ,
˙zi,j = b + zi,j (xi,j − c),
где:
(i, j) это решётка 1 ≤ i ≤ N, 1 ≤ j ≤ M,
k+
i,j ∈ [0, k+
max ] и k−
i,j ∈ [0, k−
max ] положительная и отрицательная
сила связывания (уст. в соответ. с пиксельными константами),
ωi,j также определяется пиксельными константами,
k+
max и k−
max выбираются в зависимости от изображения,
∆+xi,j и ∆−xi,j положительные и отрицательные условия
связывания.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 17 / 36
22. Осцилляторные сети и распознавание
Положительные и отрицательные условия связывания
определяются следующим образом:
∆±
xi,j = γi−1,j−1;i,j (xi−1,j−1 − xi,j ) + γi−1,j;i,j (xi−1,j − xi,j )
+γi−1,j+1;i,j (xi−1,j+1 − xi,j ) + γi,j−1;i,j (xi,j−1 − xi,j )
+γi,j+1;i,j (xi,j+1 − xi,j ) + γi+1,j−1;i,j (xi+1,j−1 − xi,j )
+γi+1,j;i,j (xi+1,j − xi,j ) + γi+1,j+1;i,j (xi+1,j+1 − xi,j ),
где
γi,j;p,q =
1, если осциллятор (i, j) связан с (p, q)
0, иначе
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 18 / 36
23. Осцилляторные сети и распознавание
Положительные связи ∆+ между парами:
с одинаковыми цветами будут сохранены;
с различными цветами будут удалены.
Отрицательные связи ∆− между парами:
всегда существуют, т.е. каждый осциллятор всегда имеет связь с
8-ю соседями (кроме крайних).
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 19 / 36
24. Осцилляторные сети и распознавание
Каждый осциллятор представляет пиксель исходной картинки.
Влияние каждого пикселя на соответствующий осциллятор
определяется через относительный пиксельный контраст Ri,j .
Для вычисления относительного контраста, требуется вычислить
абсолютный Ci,j .
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 20 / 36
25. Осцилляторные сети и распознавание
Абсолютный пиксельный контраст:
Ci,j = d
wd |Fd
i,j −Fd
avg |
d
wd , где
(i, j) - пиксельные индексы,
Fd
i,j - свойство d для пикселя (i, j) на интервале [0, 1],
wd - вес свойства d,
Fd
avg - среднее значение свойства d, полученное по формуле
Fd
avg = 1
NM
i=N
i=1
j=M
j=1
Fd
i,j
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 21 / 36
26. Осцилляторные сети и распознавание
Свойство d:
FI - интенсивность,
FR - красный,
FG - зеленый,
FB - голубой.
Вес:
wI = 3,
wR = 1,
wG = 1,
wB = 1.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 22 / 36
27. Осцилляторные сети и распознавание
Относительный пиксельный контраст:
Ri,j = exp(−
(1−Ci,j )2
2σ2 )
Полученная относительная константа используется для
моделирования параметров осциллятора, т.е. осцилляторы,
соответствующие наиболее примечательному (контрастному)
объекту будут синхронизированы к положительной связи k+
i,j ,
а наименее примечательному - к отрицательной связи k−
i,j !
Значение σ выбирается пользователем.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 23 / 36
28. Осцилляторные сети и распознавание
Считается, что человек не может удержать внимание на объекте в
течение длительного времени, то есть фокус должен быть смещен на
другие объекты. Этот механизм переключения внимания может быть
реализован в нашей модели следующим образом:
Ri,j = exp(−
(t/tend −Ci,j )2
2σ2 ), где
tend - общее время симуляции.
Избавившись от константы в числителе, мы позволили системе
выбирать различные объекты (с различной степенью
контрастности).
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 24 / 36
29. Результаты симуляции
Для экспериментов были использованы объекты с явно
выделенной контрастной частью.
При проведении экспериментов, были выставлены следующие
значения:
k+
max = 0, 05 и k−
max = 0, 02 (константы),
σ = 0, 5 и ∆w = 0, 02 (переменные).
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 25 / 36
30. Синхронизация и зрительное внимание
Следующий эксперимент проводили с использованием реального
изображение с рисунка 5.
Рис. 5 : Исходный рисунок
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 26 / 36
31. Синхронизация и зрительное внимание
Рисунок 6 показывает выбор 300 случайных осцилляторов (пикселей)
из изображении так, что первые 150 строк соответствуют "лисам"а
других 150 линий соответствуют "цветку".
Рис. 6 : Выбор 300 случайных пикселей
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 27 / 36
32. Синхронизация и зрительное внимание
Рисунки 7 и 8 показывают, что фазовая синхронизация происходит
среди осцилляторов, представляющих объект "цветокв то время как
не фазовая синхронизация среди других осцилляторов не наблюдается.
Рис. 7 : фазовая синхронизация происходит среди осцилляторов
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 28 / 36
33. Синхронизация и зрительное внимание
Рисунки 7 и 8 показывают, что фазовая синхронизация происходит
среди осцилляторов, представляющих объект "цветокв то время как
не фазовая синхронизация среди других осцилляторов не наблюдается.
Рис. 8 : Фазовая синхронизация среди других осцилляторов не наблюдается
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 29 / 36
34. Синхронизация и зрительное внимание
Теперь проведём эксперимент с использованием механизма
переключения, чтобы изменить фокус внимания с одного объекта на
другой. На рисунке 9 мы видим искусственное изображение с двумя
спиралями. Свободные параметры устанавливаются следующим
образом: σ = 0, 3 и ∆w = 0, 2.
Рис. 9 : Исходный рисунок второго эксперимента
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 30 / 36
35. Синхронизация и зрительное внимание
Рисунок 10 показывает поведение 150 случайно выбранных
осцилляторов (пикселей) от каждого объекта, где каждая строка
соответствует осциллятора. Из ряда с 1 по 150, мы можем видеть, что
осцилляторы, соответствующие желтому объекта являются первой
группой, которая по фазе синхронизирована. Через некоторое время
она теряет синхронизацию и возникает фазовая синхронизация второй
группы (линии 151 300).
Рис. 10 : Возникает фазовая синхронизация второй группы
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 31 / 36
36. Синхронизация и зрительное внимание
Рисунок 11 показывает стандартные отклонения фазы роста двух
групп осцилляторов.
Рис. 11 : Стандартные отклонения фазы роста двух групп осцилляторов
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 32 / 36
37. Заключение
Колебательные сети были использованы для решения задач:
сегментации изображений,
слуховой сегрегации сигнала,
функций привязки,
выбора объекта.
Этот вид моделей требует двух механизмов:
синхронизация каждого объекта с группой
десинхронизация, чтобы отличить один объект от другого
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 33 / 36
38. Заключение
Сеть осцилляторов имеет явное достоинство - легкость синхронизации
группу осцилляторов. Но есть и недостатки, связанные с разделением
разных объектов, у которых случайно совпали траектории
синхронизации.
Возможны следующие возможные направления ее дальнейшей
разработки:
испытание новых видов сетевого связывания;
разработка методов сегментации движущихся изображений;
распространение метода на задачи сегментации цветных
изображений;
развитие подходов к моделированию активного зрения.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 34 / 36
39. Ссылки
F.A. Breve, L. Zhao, M.G. Quiles, and E.E.N. Macau, "Chaotic phase
synchronization and desynchronization in an oscillator network for
object selection";presented at Neural Networks, 2009, pp.728-737.
Антон Конушин, Компьютерное зрение.
http://courses.graphicon.ru/main/vision.
Кузьмина М.Г., Маныкин Э.А., Сурина И.И. Осцилляторная сеть с
управляемой синхронизацией и динамический метод сегментации
изображений // Научная сессия МИФИ-2004. Ч.1
Нейроинформатика-2004. 6 Всероссийская научно-техническая
конференция. Теория нейронных сетей 1. Нейробиология.
Применение нейронных сетей 1, стр. 29-37
Иванченко И.В., Шалфеев В.Д. Информационная динамика
сложных осцилляторных систем. Учеб. метод. пособие. — Н.
Новгород: Изд-во ННГУ, 2006. — 113 с.
Мартынов Семён (СПб ПУ) Интеллектуальные системы 16 декабря 2014 г. 35 / 36