مدل‌ سازي محاسباتي بازشناسي اشياء در قشر بينايي مغز با استفاده از شبكه‌هاي عصبي ضربه‌اي

تصوير منعكس شده از اشياء پيرامون بر روي شبكيه چشم همواره با تغييراتي در اندازه، زاويه ديد، شرايط نوري، پس‌زمينه و نوفه همراه است. با اين وجود، سيستم بينايي انسان مي‌تواند اشياء را در زمان بسيار كوتاهي شناسايي كند. تا به امروز مدل‌هاي محاسباتي متعددي به منظور شبيه‌سازي فرايند پردازشي سلسله ‌مراتبي در قشر بينايي مغز ارائه شده‌اند كه با موفقيت‌هاي محدودي همراه بوده‌اند. در اين مقاله نشان مي‌دهيم كه تركيب ساختاري مبتني بر قشر بينايي با قواعد يادگيري موجود در مغز منجر به افزايش دقت در بازشناسي اشياء مستقل از تغييرات مي‌گردد. مدل پيشنهادي يك شبكه عصبي ضربه‌اي پيشرو است كه در آن نورون‌هاي لايه اول لبه‌هاي موجود در تصوير با زواياي مختلف را شناسايي مي‌كنند به طوري كه نورون متناظر با لبه‌اي با تضاد نوري بيشتر سريع‌تر از ساير نورون‌ها فعال مي‌شود. نورون‌هاي لايۀ بعدي نيز با استفاده از قاعده يادگيري وابسته به ترتيب زماني ضربه‌ها به يادگيري ويژگي‌هاي بينايي موجود در تصاوير ورودي مي‌پردازند. نتايج به ‌دست آمده بر روي مجموعه ‌داده‌هاي 3D-Object و ETH-80، قدرت بالاي مدل پيشنهادي در بازشناسايي اشياء را نشان مي‌دهد. همچنين ويژگي‌هاي استخراج شده در مدل پيشنهادي بازسازي و به همراه مكان شناسايي آن‌ها در تصاوير ورودي نشان داده شده‌اند.