گزینش ویژگی‌های بهینه در مدل بیولوژیکی بازشناسی اشیا با حداکثرکردن اطلاعات متقابل

عملکرد سیستم بینایی انسان در بازشناسی اشیای مختلف، از عملکرد بهترین سیستم­های بینایی ماشین بهتر است. به همین دلیل محققان حوزه­ی بینایی ماشین و علوم اعصاب همواره به دنبال مدل­کردن عملکرد سیستم بینایی انسان جهت استفاده در سیستم­های بینایی ماشین هستند. یکی­از قوی­ترین مدل­های محاسباتی که در این زمینه توسعه یافته مدل HMAX است. این مدل، برپایه­ی عملکرد سلول­های مغز انسان در گذرگاه بطنی قشر بینایی طراحی شده و چهار لایه محاسباتی دارد. در مرحله­ی یادگیری این مدل، تعداد زیادی از قسمت­های کوچک تصاویر در اندازه­های مختلف، که تکّه نامیده می‌شوند، در موقعیت­های کاملاً تصادفی از مجموعه­ی تصاویر آموزشی استخراج می­شوند. استخراج تصادفی و بی­هدف تکّه­ها یکی­از ضعف‌های اصلی مدل HMAX است که باعث کاهش کارایی و افزایش بار محاسباتی آن می­شود. در این مقاله، یک مدل جدید برای گزینش تکّه­های مرتبط­تر و حذف تکّه­های زائد از مجموعه­ی تکّه‌های تصادفی پیشنهاد شده است. در این مدل، با یک روند بازگشتی، تکّه‌های بهینه از روی ویژگی­های بهینه­ای انتخاب شدند که با­ الگوریتم گزینش ویژگی حداکثرکردن اطلاعات متقابل از بین مجموعه­ی ویژگی­های تصاویر آموزشی گزینش شدند. عملکرد مدل پیشنهادی در مسایل دوکلاسی تشخیص حضور یا عدم حضور یک شئ در تصویر با مدل اصلی HMAX مقایسه گردید و برتری آن به اثبات رسید.