Resumen

Este artículo presenta un algoritmo de análisis de imágenes basado en la Optimización por Enjambre de Partículas (PSO) y Redes Neuronales Recursivas (RNNs). Métodos de vanguardia como la estrategia de análisis basada en RNN tradicionales utilizan L-BFGS sobre todos los datos para aprender los parámetros. Sin embargo, esto podría causar problemas debido a la función objetivo no diferenciable. Para resolver este problema, se ha empleado el algoritmo PSO para ajustar los pesos de la RNN y minimizar el objetivo. Los resultados experimentales obtenidos en el conjunto de datos de fondo de Stanford muestran que nuestro algoritmo de entrenamiento basado en PSO supera a la RNN tradicional, Pixel CRF, energía basada en regiones, MRF simultáneo y MRF de superpíxeles.

• Materias:Ecuaciones diferenciales Dinámica de fragmentación Medios porosos Circuito abierto
• Subjects:Differential equations Fragmentation dynamics Porous media Open circuit
• Palabras claves:Algoritmo de análisis de imágenes; Optimización por enjambre de partículas; Redes neuronales recursivas; L-BFGS; Algoritmo PSO; Conjunto de datos de fondo de Stanford
• Keywords:Image parsing algorithm; Particle Swarm Optimization; Recursive Neural Networks; L-BFGS; PSO algorithm; Stanford background dataset