[发明专利]基于皮层丘脑计算模型的图像分类方法

说明书

本发明涉及类脑智能和人工智能领域，具体涉及一种基于皮层丘脑计算模型的图像分类方法。旨在解决传统人工神经网络中浪费训练数据和训练神经网络过程中所需计算量较大的问题。本发明基于轮廓先验神经网络N₁、融合丘脑调控作用的神经网络N₂，分别对输入图像进行分类标记的预测，并按照预设的权值对两个预测结果进行融合得到所述输入图像的分类。本发明在小样本数据训练情况下利用MNIST数据集和FashionMNIST数据集进行图像分类测试，测试结果表明基于皮层丘脑计算模型的图像分类方法其性能均比传统的人工神经网络优异。

技术领域

本发明涉及类脑智能和人工智能领域，具体涉及一种基于皮层丘脑计算模型的图像分类方法。

背景技术

在灵长类动物中，丘脑接收除嗅觉外来自全身的各种感觉信息，并将其投射到大脑皮层。丘脑除了起到感觉信息转换站的作用，还在皮层信息传递过程中起到调控作用。丘脑主要由外膝体(LGN)、丘脑网状核(TRN)以及丘脑枕(Pulvinar)构成。外膝体连接感觉器官与大脑皮层，起到信息中转的作用；丘脑网状核调控大脑皮层与丘脑之间的信息传递；丘脑枕作为丘脑中最大的核团，占整个丘脑的近三分之一。神经科学的实验研究表明丘脑枕与视觉皮层具有双向性的纤维投射以及功能投射功能，丘脑枕损伤会导致人类视觉行为异常。丘脑向大脑皮层的投射分为两大通路：特异性通路和非特异性通路。特异性通路主要学习自底向上的特征，完成与自顶向下的特征匹配学习自顶向下的特征期望指导，对于自底向上以及自顶向下的特征匹配以及通过皮层的反馈连接学习。非特异性通路主要用于调节皮层的兴奋性以及调节调控特异性通路中对于特征的提取选择。两个通路的融合可以通过判断底层输入信息与高层期望上层信息是否匹配来决定皮层神经元放电频率的高低，或者不匹配形成高频率或者低频率震荡，从而对于不同区域进行调节，实现一个全局的优化。

视觉注意作为人类的一项重要能力，使我们能够有效地处理对于自身最重要的事情。视觉注意一直以来是神经科学、心理学、计算机科学等领域的研究热点。目前，尤其是计算机建模领域的研究成果，可以看出学者们更多的关注皮层在视觉注意中的作用，然而神经科学的实验发现在选择性视觉注意过程中，丘脑一方面能够增强对目标物体的表征，抑制对非目标物体的编码，即丘脑在视觉注意过程中起到门控作用；另一方面，丘脑能够同步不同视觉皮层的响应，通过调整皮层之间的连接来实现对视觉注意的调控作用。

受皮层信息处理机制启发的传统的人工神经网络，在图像识别，语音识别等领域取得了很大的成功，在人脸识别等任务中的识别准确率甚至超越了人类。然而，相对于人类大脑皮层，传统人工神经网络还存在一些问题：(1)当网络训练稳定后会有大量神经元的响应没有区分能力。例如，在MNIST分类任务中，当训练数据从200张图片增加到60000张时，我们的实验发现始终有158个神经元的响应很大。图1表示响应较大的158个神经元示意图，这158个神经元中有大量的神经元对于分类任务没有起到作用，浪费了大量的数据。(2)神经网络训练需要大量的样本，计算量较大。例如，如图2所示为三层全连接神经网络的隐层到输出层权重变化分布图，横坐标表示隐层到输出层权重变化间隔，纵坐标表示隐层到输出层权重变化所占比例，该神经网络中三层神经元个数分别为[784，100，10]，当正确率从20％提升到60％的时候，可以看到权重变化在[0，0.05]之间的占43.35％，权重变化大于0.05的占56.65％。而输入层到隐层的权重变化，如图3所示。图3的横坐标为输入层到隐层权重变化间隔，纵坐标为输入层到隐层权重变化所占比例，可以看到权重变化在[0，0.05]之间的占86.54％，权重变化大于0.05的占13.46％。通过图2和图3的对比结果可以看出，当传统的神经网络有了较大提升时，神经元之间的权值改变并没有发生多少。当只依靠皮层对于信息的传递，误差从高级皮层往低级皮层回传的时候，越往底层走，残差越来越小，导致低级皮层只有极少数的权值改动。

发明内容