گزینش ویژگی های بهینه در مدل بیولوژیکی بازشناسی اشیاء با استفاده از حداکثرکردن اطلاعات متقابل

عملکرد سیستم بینایی انسان در بازشناسی اشیای مختلف از عملکرد بهترین سیستم های بینایی ماشین هم بهتر است. به همین دلیل محققان حوزه بینایی ماشین و علوم اعصاب همواره به دنبال مدل کردن عملکرد سیستم بینایی انسان جهت استفاده در سیستم های بینایی ماشین بوده اند. مدل hmax یکی از قوی ترین مدل های محاسباتی است که در این زمینه توسعه یافته است. این مدل بر پایه عملکرد سلول های مغز انسان در گذرگاه بطنی قشر بینایی طراحی شده و دارای چهار لایه محاسباتی است. در مرحله یادگیری این مدل تعداد زیادی از قسمت های کوچک تصاویر در اندازه های مختلف، که تکه نامیده می شوند، در موقعیت های کاملا تصادفی از مجموعه تصاویر آموزشی استخراج می شود. استخراج تصادفی و بی هدف تکه ها یکی از ضعف های اصلی مدل hmax است که باعث کاهش کارایی و افزایش بار محاسباتی آن می شود. در این مقاله یک مدل جدید برای گزینش تکه های مرتبط تر و حذف تکه های زائد از مجموعه تکه های تصادفی پیشنهاد شده است. در این مدل با استفاده از یک روند بازگشتی، تکه های بهینه از روی ویژگی های بهینه ای انتخاب می شوند که به وسیله الگوریتم گزینش ویژگی حداکثرکردن اطلاعات متقابل از بین مجموعه ویژگی های تصاویر آموزشی گزینش شده اند. عملکرد مدل پیشنهادی در مسائل دوکلاسی تشخیص حضور یا عدم حضور یک شی در تصویر با مدل اصلی hmax مقایسه شده و برتری آن به اثبات رسیده است.