Распознавание статических изображений - раздел Медицина, Про Интеллект. Временная иерархическая память Теперь Мы Можем Обратиться К Последнему Вопросу Этого Раздела. Скажем, У Нас ...
Теперь мы можем обратиться к последнему вопросу этого раздела. Скажем, у нас есть система зрения, основанная на HTM. Мы обучаем ее с помощью изменяющихся во времени изображений. Она формирует представления причин, либо сама по себе, либо с учителем. Каждый узел в иерархии выполняет пулинг пространственных паттернов в последовательности. Теперь, когда системе представляют статическое изображение, как она сможет выдвинуть гипотезы относительно причин изображения? В особенности, зная, что HTM имеет память последовательностей паттернов, как она выдвигает гипотезы о корректных причинах, когда она видит только статическую картинку?
Ответ прост. Когда статическое изображение подается на узлы внизу иерархии, узлы формируют распределение по пространственным точкам квантования и на основе этого формируют распределение по изученным последовательностям. При отсутствии изменений во времени, распределение по последовательностям будет шире, чем в случае наличия изменений. Однако узел формирует распределение по последовательностям в любом случае. Методика Распространения Гипотез в иерархии попытается решить неоднозначность того, какая из последовательностей активна. Оказывается, что в зрительной системе часто возможно такое. То есть, в зрительной системе низкоуровневая неоднозначность, вызванная отсутствием изменений во времени, все равно может быть разрешена (путем Распространения Гипотез) по мере продвижения данных вверх по иерархии. Если изображение достаточно однозначно, на вершине иерархии будет вполне определенная причина.
Это не всегда факт. Вы можете вообразить сцену леса, в которой скрываются закамуфлированные животные. Когда вам покажут такую сцену, вы не увидите животных. Однако, если животные движутся относительно фона, даже чуть-чуть, вероятность распознавания животных резко подскакивает. В этом случае, добавочная информация о движении сжимает распределение по последовательностям на низшем уровне иерархии, чего оказывается достаточно для решения неоднозначности. Фактически, доводя эту идею до крайности, возможно представить совершенно случайное поле черных и белых пикселей, и путем движения подмножества этих случайных пикселей скоординированным образом произвести «изображение». Пространственные паттерны всегда случайны в любой момент времени, но тем не менее вы видите изображение из-за движения пикселей.
На сайте allrefs.net читайте: "Про Интеллект. Временная иерархическая память"
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Распознавание статических изображений
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Обнаружение причин в мире
Рисунок 1 показывает, как HTM взаимодействует с внешним миром. Слева на этом рисунке прямоугольник, представляющий мир, который изучает HTM. Мир состоит из объектов и их отношений. Некоторые из объ
Выдвижение гипотез о причинах нестандартной информации
Когда HTM знает, какие причины существуют в ее мире и как представлять их, она может выдвигать гипотезы. «Выдвижение гипотез» подобно распознаванию паттернов. При наличии нестандартной информации H
Предсказания
HTM состоят из иерархии узлов памяти, где каждый узел изучает причины и формирует гипотезы. Часть алгоритма обучения, выполняемая каждым узлом, заключается в том, чтобы хранить возможные последоват
Установка предпочтений
Когда HTM предсказывает, что вероятнее всего должно произойти далее, предсказание может выступать в качестве того, что называется «априорная вероятность», обозначая, что оно склоняет систему выдвиг
Воображение и планирование
HTM автоматически предсказывает и предчувствует, что вероятнее всего произойдет далее. Вместо того, чтоб использовать эти предсказания для установки предпочтений, предсказания HTM могут быть направ
Управление поведением
HTM, изучившая причины в мире и то, как эти причины ведут себя во времени, по существу создала модель этого мира. Теперь предположим, что HTM подключена к системе, которая физически взаимодействует
Иерархическое представление дает механизм внимания.
Иерархия в HTM обеспечивает механизм скрытого внимания. «Скрытое» внимание - это когда вы мысленно обращаете внимание на ограниченную порцию сенсорной информации. Люди могут обращать внимание на ча
Обработка распределений и данных из реального мира
Паттерны на предыдущих рисунках были не реалистичными. Большинство будет иметь более 16 входных линий, и, следовательно, входные паттерны, получаемые узлом, смотрящим в реальный мир будут гораздо б
Роль учителя
Предположим, вам показали изображения еды и попросили идентифицировать каждую картинку либо как «фрукт», либо как «овощ». Если показано яблоко или апельсин, вы говорите «фрукт». Если показан картоф
Представление времени
Для некоторых временных паттернов важно конкретное или относительное время между элементами в последовательности. Например, временные интервалы между нотами в мелодии или время между фонемами в про
Вопросы
Этот раздел содержит общие вопросы относительно HTM и несколько смешанных тем, которые еще не были затронуты. Нет особой необходимости знать эти материалы, чтобы развертывать системы, основанные на
Возможности
Самая передовая возможность технологии HTM – это ее способность обнаруживать причины, лежащие в основе сенсорных данных. Причины – это устойчивые и повторяющиеся структуры в мире. Концепция «причин
Технология
Технически HTM могут рассматриваться как форма Байесовских сетей, где сеть состоит из набора узлов, упорядоченных в древовидной иерархии. Каждый узел в иерархии самостоятельно открывает набор причи
Результаты
HTM – это новая мощная вычислительная парадигма, которая может быть в конечном счете приравнена по важности к традиционным программируемым компьютерам в смысле общественного влияния и финансовых во
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Новости и инфо для студентов