بهبود ساختار الگوريتم يادگيري عميق در پردازش تصوير باالهام از ماتريس تفكيك پذيري مغز

الگوريتم هاي آموزش عميق در بسياري از مسائل بازشناسي الگو، نتايجي در سطح انسان و يا بهتر مي توانند به ثبت رسانند. اما اين نتايج با مكانيسمي متفاوت از مغز انسان به دست آمده است. مدل پيشنهادي در اين مقاله يك الگوريتم تقسيم بندي و درون يابي با الهام از مغز انسان را توصيف نموده و بعد از لايه ورودي، لايه‌ي شبكيه اعمال ‌شده است كه به پيروي از شبكيه چشم، عمل رمزنگاري بر روي تصوير ورودي را انجام مي‌دهد. سپس تصوير ورودي به فضاي ثاني انتقال مي‌يابد كه تلاش براي تغيير ساختار شبكه عميق با الهام از مسير بينايي مغز خواهد بود. بازخورد شبكه، نرخ بازشناسي و سطح انرژي شبكه و يا جامعيت شبكه ي آموزش ديده در زيرمجموعه هايي از مجموعه داده كلتك بررسي مي گردد. در نمونه هاي مشابه الگوريتم هاي آموزش عميق براي يادگيري نياز به داده بيشتري در مقايسه با يادگيري انسان دارد. بعلاوه، اختلاف يادگيري عميق و انسان، تفاوت در بازنمايش اطلاعات است. در يادگيري عميق وزن ها در جهتي بهبود مي يابند تا در يك آزمايش خاص نتيجه بهينه شود ولي در انسان با ميليون ها سال تكامل، مغز انسان به گونه اي تكامل يافته تا بازنمايش بهينه و مؤثر باشد. چالش مورد بررسي ديگر، عميق تر شدن لايه هاي يادگيري عميق است. تعداد اين لايه ها نسبت به مغز چندين برابر گشته است و اين مسئله منجر به پيچيدگي و صرف انرژي بيشتر مي شود. اما در مغز با صرف انرژي كمتر مي تواند تشخيص را انجام دهد. بيشينه نرخ بازشناسي مدل پيشنهادي به 93 درصد مي رسد و مدل پايه نزديك به 91 درصد است. همچنين مدل پيشنهادي تنك‌تر و نرخ آتش نورون ها در لايه هاي ابتدايي كمتر و پايداري بالايي به تغييرات شدت روشنايي داشته، تفكيك پذيري در لايه هاي مدل بالاتر رفته و توانسته در مواجهه با تصاوير نويزي پاسخ بهتري نشان دهد و افت بازشناسي كمتري را ثبت كند.