多层多集神经网络——MMNNs
摘要：巧合相似性指数结合了Jaccard和重叠相似性指数，具有明显的特点，包括增强的选择性和敏感性，内在的标准化，以及对数据扰动和异常值的鲁棒性。这些特性使得基于巧合相似性操作的多集神经元能够进行有效的模式识别应用，包括挑战性的图像分割任务。以往的相关方法中，使用了几个原型点来表示每个待识别的模式，每个原型点都与相应的多集神经元相关联。然后，通过考虑这些神经元的输出，可以进行区域的分割。本研究描述了包含两层或多层巧合相似性神经元的多层多集神经网络。此外，为了提高性能，本研究还探讨了使用反原型点来表示需要避免的图像区域。结果表明，即使只考虑一个原型点和一个反原型点，这种方法也能够有效地分割复杂区域。如本文所述，为了识别后续层神经元的权重，需要优化的平衡准确率景观通常相对平滑，但通常涉及多个吸引盆地。通过使用简单的基于梯度的优化方法，已经证明可以有效地训练考虑的神经网络，至少对于给定的数据类型、参数配置和网络架构而言。
作者：Alexandre Benatti, Luciano da Fontoura Costa
论文ID：2308.14541
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-08-29