گزينش ويژگي هاي بهينه در مدل بيولوژيكي بازشناسي اشيا با حداكثركردن اطلاعات متقابل

Optimal Feature Selection in Biologically Inspired Model for Object Recognition Using Mutual Information Maximisation

عملكرد سيستم بينايي انسان در بازشناسي اشياي مختلف، از عملكرد بهترين سيستم هاي بينايي ماشين بهتر است. به همين دليل محققان حوزه ي بينايي ماشين و علوم اعصاب همواره به دنبال مدل كردن عملكرد سيستم بينايي انسان جهت استفاده در سيستم هاي بينايي ماشين هستند. يكي از قوي ترين مدل هاي محاسباتي كه در اين زمينه توسعه يافته مدل HMAX است. اين مدل، برپايه ي عملكرد سلول هاي مغز انسان در گذرگاه بطني قشر بينايي طراحي شده و چهار لايه محاسباتي دارد. در مرحله ي يادگيري اين مدل، تعداد زيادي از قسمت هاي كوچك تصاوير در اندازه هاي مختلف، كه تكّه ناميده مي‌شوند، در موقعيت هاي كاملاً تصادفي از مجموعه ي تصاوير آموزشي استخراج مي شوند. استخراج تصادفي و بي هدف تكّه ها يكي از ضعف‌هاي اصلي مدل HMAX است كه باعث كاهش كارايي و افزايش بار محاسباتي آن مي شود. در اين مقاله، يك مدل جديد براي گزينش تكّه هاي مرتبط تر و حذف تكّه هاي زايد از مجموعه ي تكّه‌هاي تصادفي پيشنهاد شده است. در اين مدل، با يك روند بازگشتي، تكّه‌هاي بهينه از روي ويژگي هاي بهينه اي انتخاب شدند كه با الگوريتم گزينش ويژگي حداكثركردن اطلاعات متقابل از بين مجموعه ي ويژگي هاي تصاوير آموزشي گزينش شدند. عملكرد مدل پيشنهادي در مسايل دوكلاسي تشخيص حضور يا عدم حضور يك شي در تصوير با مدل اصلي HMAX مقايسه گرديد و برتري آن به اثبات رسيد.

Human visual system operates superior than best machine vision systems in object recognition. So, researchers in machine vision and neuroscience try to model human visual system in order to employ it in machine. HMAX is one of the best operating models in this area. It is based on the function of brain cells in the ventral stream of visual cortex and contains four computational layers. In the learning stage, many image partitions called image patches are extracted randomly with different sizes from training images. This random selection of image patches is one of the drawbacks of HMAX which decreases the performance and increases the computational complexity of the algorithm. In this paper, a novel patch selection from the set of random patches is proposed. In this method, using a recursive approach, optimal patches are selected from optimal features of training images by mutual information maximization feature selection. The performance of proposed algorithm in binary classification (existence or non-existence of objects in the images) is compared with HMAX and the superiority is proved.