Las redes acopladas a pulsos o redes neuronales acopladas a pulsos ( PCNN ) son modelos neuronales propuestos a partir del modelado de la corteza visual de un gato y desarrollados para el procesamiento de imágenes biomiméticas de alto rendimiento . [1]
En 1989, Eckhorn introdujo un modelo neuronal para emular el mecanismo de la corteza visual del gato. [2] El modelo de Eckhorn proporcionó una herramienta simple y eficaz para estudiar la corteza visual de los pequeños mamíferos , y pronto se reconoció que tenía un potencial de aplicación significativo en el procesamiento de imágenes.
En 1994, Johnson adaptó el modelo de Eckhorn a un algoritmo de procesamiento de imágenes , llamando a este algoritmo red neuronal acoplada a pulsos.
La propiedad básica del modelo de campo de enlace de Eckhorn (LFM) es el término de acoplamiento. El LFM es una modulación de la entrada primaria por un factor de compensación sesgado impulsado por la entrada de enlace. Estos impulsan una variable de umbral que decae desde un valor alto inicial. Cuando el umbral cae por debajo de cero, se restablece a un valor alto y el proceso comienza de nuevo. Esto es diferente del modelo neuronal estándar de integración y disparo, que acumula la entrada hasta que pasa un límite superior y efectivamente "se produce un cortocircuito" para provocar el pulso.
El modelo LFM utiliza esta diferencia para mantener las ráfagas de pulsos, algo que el modelo estándar no hace a nivel de una sola neurona. Sin embargo, es importante entender que un análisis detallado del modelo estándar debe incluir un término de derivación, debido al nivel de voltajes flotantes en el compartimento dendrítico , y a su vez esto causa un elegante efecto de modulación múltiple que permite una verdadera red de orden superior (HON). [3] [4] [5]
Una PCNN es una red neuronal bidimensional . Cada neurona de la red corresponde a un píxel de una imagen de entrada y recibe la información de color de su píxel correspondiente (por ejemplo, la intensidad) como estímulo externo. Cada neurona también se conecta con sus neuronas vecinas y recibe estímulos locales de ellas. Los estímulos externos y locales se combinan en un sistema de activación interno que acumula los estímulos hasta que supera un umbral dinámico, lo que da como resultado una salida de pulso. A través de un cálculo iterativo, las neuronas PCNN producen series temporales de salidas de pulso. Las series temporales de salidas de pulso contienen información de imágenes de entrada y se pueden utilizar para diversas aplicaciones de procesamiento de imágenes, como la segmentación de imágenes y la generación de características. En comparación con los medios de procesamiento de imágenes convencionales, las PCNN tienen varias ventajas importantes, entre ellas la robustez frente al ruido, la independencia de las variaciones geométricas en los patrones de entrada, la capacidad de superar pequeñas variaciones de intensidad en los patrones de entrada, etc.
En 2009 se desarrolló un modelo PCNN simplificado llamado modelo cortical de picos . [6]
Las PCNN son útiles para el procesamiento de imágenes , como se analiza en un libro de Thomas Lindblad y Jason M. Kinser. [7]
Las PCNN se han utilizado en una variedad de aplicaciones de procesamiento de imágenes, incluidas: segmentación de imágenes , reconocimiento de patrones , generación de características, extracción de rostros , detección de movimiento , crecimiento de regiones , eliminación de ruido de imágenes [8] y mejora de imágenes [9].
Kinser et al. han analizado el procesamiento de imágenes de pulsos multidimensionales de datos de estructura química utilizando PCNN [10].
También se han aplicado a un problema de ruta más corta de todos los pares. [11]
{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )