Resumen

Como modelo típico de aprendizaje profundo, las redes neuronales convolucionales (CNN) pueden aprovecharse para extraer automáticamente características de las imágenes utilizando la estructura jerárquica inspirada en el sistema visual de los mamíferos. Para las tareas de clasificación de imágenes, los modelos tradicionales de CNN emplean la función softmax para la clasificación. Sin embargo, debido a la capacidad limitada de la función softmax, los modelos tradicionales de CNN presentan algunas deficiencias en la clasificación de imágenes. Para hacer frente a este problema, se propone un nuevo método que combina el reconocimiento biomimético de patrones (BPR) con las CNN para la clasificación de imágenes. El BPR realiza el reconocimiento de clases mediante la unión de conjuntos de cobertura geométrica en un espacio de características de alta dimensión y, por tanto, puede superar algunas desventajas del reconocimiento de patrones tradicional. El método propuesto se evalúa en tres famosas referencias de clasificación de imágenes, a saber, MNIST, AR y CIFAR-10. Las precisiones de clasificación del método propuesto para los tres conjuntos de datos son del 99,01%, el 98,40% y el 87,11%, respectivamente, que son mucho más altas en comparación con los otros cuatro métodos en la mayoría de los casos.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:modelo tradicional de cnn, métodos propuestos, función softmax, conjunto de cobertura geométrica, red neuronal convolucional, reconocimiento de patrones tradicional, reconocimiento de patrones biomimético, espacio de características dimensionales, referencia de clasificación de imágenes, sistema visual de mamíferos
• Keywords:traditional cnn model, proposed methods, softmax function, geometrical cover set, convolutional neural network, traditional pattern recognition, biomimetic pattern recognition, dimensional features space, image classification benchmark, mammalian visual system