Xarxa neuronal cel·lular

De la Viquipèdia, l'enciclopèdia lliure
Diagrama duna CNN.

En informàtica i aprenentatge automàtic, les xarxes neuronals cel·lulars (CNN) o les xarxes cel·lulars no lineals (CNN) són un paradigma informàtic paral·lel similar a les xarxes neuronals, amb la diferència que només es permet la comunicació entre unitats veïnes. Les aplicacions típiques inclouen el processament d'imatges, l'anàlisi de superfícies 3D, la resolució d'equacions diferencials parcials, la reducció de problemes no visuals a mapes geomètrics, el modelatge de la visió biològica i altres òrgans sensoriomotors.[1]

La CNN no s'ha de confondre amb la xarxa neuronal convolucional (també anomenada col·loquialment CNN).

Arquitectura CNN[modifica]

A causa del seu nombre i varietat d'arquitectures, és difícil donar una definició precisa d'un processador CNN. Des del punt de vista de l'arquitectura, els processadors CNN són un sistema d'unitats de processament no lineals, de nombre fix, d'ubicació fixa, de topologia fixa, interconnectades localment, d'entrada múltiple, d'una sola sortida i no lineals. Les unitats de processament no lineals sovint es coneixen com a neurones o cèl·lules. Matemàticament, cada cel·la es pot modelar com un sistema dinàmic dissipatiu i no lineal on la informació es codifica mitjançant el seu estat inicial, les entrades i les variables utilitzades per definir el seu comportament. Les dinàmiques solen ser contínues, com en el cas dels processadors CNN de temps continu (CT-CNN), però poden ser discretes, com en el cas dels processadors CNN de temps discret (DT-CNN).[2][3][4]

Cada cel·la té una sortida, mitjançant la qual comunica el seu estat tant amb altres cèl·lules com amb dispositius externs. La sortida sol ser de valor real, però pot ser complexa o fins i tot quaternió, és a dir, una CNN de valors múltiples (MV-CNN). La majoria dels processadors de CNN, les unitats de processament són idèntiques, però hi ha aplicacions que requereixen unitats no idèntiques, que s'anomenen processadors CNN de processador no uniforme (NUP-CNN) i consten de diferents tipus de cèl·lules.

Aplicacions[modifica]

Els investigadors de la CNN tenen interessos diversos, que van des d'aplicacions físiques, d'enginyeria, teòriques, matemàtiques, computacionals i filosòfiques.

Els processadors CNN van ser dissenyats per realitzar el processament d'imatges; específicament, processament de velocitat de fotogrames ultra alta en temps real (>10.000 fotogrames/s) per a aplicacions com la detecció de partícules en fluids de motor de reacció i la detecció de bugies. Actualment, els processadors CNN poden aconseguir fins a 50.000 fotogrames per segon, i per a determinades aplicacions com el seguiment de míssils, la detecció de flaix i el diagnòstic de bugies, aquests microprocessadors han superat un superordinador convencional. Els processadors CNN es presten a operacions locals, de baix nivell i intensives en processadors i s'han utilitzat en extracció de característiques,[5] ajustos de nivell i guany, detecció de constància del color,[6] millora del contrast, deconvolució,[7] compressió d'imatges,[8][9] estimació de moviment,[10][11] codificació d'imatges, descodificació d'imatges, segmentació d'imatges,[12][13] mapes de preferències d'orientació,[14] aprenentatge/reconeixement de patrons,[15][16] seguiment multiobjectiu,[17] estabilització d'imatge,[10] millora de la resolució,[18] deformacions i mapes d'imatge, pintura d'imatge,[19] flux òptic,[20] contorns,[21][22] detecció d'objectes en moviment,[23] eix de detecció de simetria,[24] i fusió d'imatges.[25][26][27]

Referències[modifica]

  1. ↑ Slavova, A. Cellular Neural Networks: Dynamics and Modelling (en anglès). Springer Science & Business Media, 2003-03-31. ISBN 978-1-4020-1192-4. 
  2. ↑ S. Malki, Y. Fuqiang, and L. Spaanenburg, "Vein Feature Extraction Using DT-CNNs", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  3. ↑ H. Harrer and J.Nossek, "Discrete-Time Cellular Neural Networks", International Journal of Circuit Theory and Applications, 20:453-467, 1992.
  4. ↑ M. Brugge, "Morphological Design of Discrete−Time Cellular Neural Networks", University of Groningen Dissertation, 2005.
  5. ↑ O. Lahdenoja, M. Laiho and A. Paasio, "Local Binary Pattern Feature Vector Extraction with CNN", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  6. ↑ L. Torok and A. Zarandy, "CNN Based Color Constancy Algorithm", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.
  7. ↑ L. Orzo, "Optimal CNN Templates for Deconvolution", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006
  8. ↑ P. Venetianer and T. Roska, "Image Compression by Cellular Neural Networks," IEEE Trans. Circuits Syst., 45(3): 205-215, 1998.
  9. ↑ R. Dogarut, R. Tetzlaffl and M. Glesner, "Semi-Totalistic CNN Genes for Compact Image Compression", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  10. ↑ 10,0 10,1 Y. Cheng, J. Chung, C. Lin and S. Hsu, "Local Motion Estimation Based On Cellular Neural Network Technology for Image Stabilization Processing", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  11. ↑ A. Gacsadi, C. Grava, V. Tiponut, and P. Szolgay, "A CNN Implementation of the Horn & Schunck Motion Estimation Method", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  12. ↑ S. Chen, M. Kuo and J. Wang, "Image Segmentation Based on Consensus Voting", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  13. ↑ G. Grassi, E. Sciascio, A. Grieco and P. Vecchio, "A New Object-oriented Segmentation Algorithm based on CNNs - Part II: Performance Evaluation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  14. ↑ J. Wu, Z. Lin and C. Liou, "Formation and Variability of Orientation Preference Maps in Visual Cortex: an Approach Based on Normalized Gaussian Arrays", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  15. ↑ C. Wu and C. Cheng, "The Design of Cellular Neural Network with Ratio Memory for Pattern Learning and Recognition", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.
  16. ↑ C. Wu and S. Tsai, "Autonomous Ratio-Memory Cellular Nonlinear Network (ARMCNN) for Pattern Learning and Recognition", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  17. ↑ G. Timar and C. Rekeczky, "Multitarget Tracking Applications of the Bi-I Platform: Attention-selection, Tracking and Navigation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  18. ↑ T. Otake, T. Konishi, H. Aomorit, N. Takahashit and M. Tanakat, "Image Resolution Upscaling Via Two-Layered Discrete Cellular Neural Network", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  19. ↑ A. Gacsadi and P. Szolgay, "Image Inpainting Methods by Using Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  20. ↑ B. Shi, T. Roska and L. Chua, "Estimating Optical Flow with Cellular Neural Networks," Int’l Journal of Circuit Theory and Applications, 26: 344-364, 1998.
  21. ↑ Szalka, G. Soos, D. Hillier, L. Kek, G. Andrassy and C. Rekeczky, "Space-time Signature Analysis of 2D Echocardiograms Based on Topographic Cellular Active Contour Techniques", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  22. ↑ T. Szabot and P. Szolgay, "CNN-UM-Based Methods Using Deformable Contours on Smooth Boundaries", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  23. ↑ G. Costantini, D. Casali, and R. Perfetti, "Detection of Moving Objects in a Binocular Video Sequence", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  24. ↑ G Costantini, D. Casafi., and R. Perfetti, "A New CNN-based Method for Detection of the Axis of Symmetry.", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.
  25. ↑ I. Szatmari, P. Foldesy, C. Rekeczky and A. Zarandy, "Image Processing Library for the Aladdin Computer", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.
  26. ↑ I. Szatmari, P. Foldesy, C. Rekeczky and A. Zarandy, "Image processing library for the Aladdin Visual Computer", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.
  27. ↑ K. Wiehler, M. Perezowsky, R. Grigat, "A Detailed Analysis of Different CNN Implementations for a Real-Time Image Processing System", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.
Obtingut de «https://ca.wikipedia.org/w/index.php?title=Xarxa_neuronal_cel·lular&oldid=33040924»