pateikė Beijing Zhongke Journal Publising Co. Ltd.
Erdvinis dėmesys gali padėti tinklui sutelkti dėmesį į pikselių sritis, kuriose yra naudingos erdvinės informacijos apie subtilius veido judesius, o laikinas dėmesys leidžia tinklui sutelkti dėmesį į vaizdus laiko eilutėse su atpažinimui tinkamesnėmis savybėmis. Kreditas: Beijing Zhongke Journal Publising Co. Ltd. Daugeliui pažangių programų ir sistemų, įskaitant biomedicinos aparatūrą ir įrenginius, reikia žmogaus sąveikos su kompiuteriu technologijos. Ši technologija leidžia išmaniajai aparatūrai gauti fiziologinę ir elgsenos informaciją iš žmonių, kad būtų galima apdoroti ir atlikti konkrečias užduotis, suteikdama patogumo kasdieniame gyvenime ir skatindama visuomenės efektyvumą. Be to, žmogaus ir kompiuterio sąveikos technologija yra svarbi daugeliui svarbių tyrimų sričių.
Emocijų atpažinimas yra didelis iššūkis žmogaus ir kompiuterio sąveikoje, nes suprasti emocinę žmonių būseną yra sunku, tačiau svarbu intelektualioms mašinoms sąveikos proceso metu. Žmogaus emocijų atpažinimas atpažįstant veido mikroraiškas pastaraisiais metais tampa vis populiaresnis. Mikroraiškos – tai trumpos ir nevalingos veido išraiškos, susidedančios iš subtilių veido raumenų judesių, atsirandančių žmogui bandant slėpti emocijas.
Taigi mikroraiškos paprastai gali atskleisti tikrąsias žmogaus emocines būsenas ir perteikti svarbesnę informaciją, palyginti su įprastomis veido išraiškomis. Todėl automatinis mikroraiškų atpažinimas gali būti naudingas daugelyje sričių. Pavyzdžiui, klinikinės diagnozės, saugos darbas ir žmogaus bei kompiuterio sąveika.
Įkvėptas aukščiau aptartų tyrimų, šiame darbe siūlomas adaptyvus erdvinio ir laiko dėmesio neuroninis tinklas (ASTANN), skirtas CDMER. Tiksliau, duomenų bazės pirmiausia apdorojamos išgaunant optinio srauto informaciją. Tada optinio srauto informacija sujungiama su veido vaizdais, kad būtų sukurti nauji vaizdai. Be to, trys naujojo vaizdavimo vaizdai buvo pasirinkti kaip dinaminė išraiškos seka, o vėliau įtraukti į tinklą, kad būtų galima išgauti tolesnį erdvinį ir laiką.
Galiausiai sukurta paprasta, bet efektyvi praradimo funkcija, skirta optimizuoti tinklo parametrus, kad būtų sumažintas paskirstymo atotrūkis tarp šaltinio ir tikslinių duomenų bazių. Pagrindinis šio modelio privalumas yra tas, kad jame naudojamas gilus neuroninis tinklas su erdvėlaikio dėmesio mechanizmu, kad būtų galima sutelkti dėmesį į subtilias ir momentines mikroraiškų ypatybes, kad išspręstų CDMER problemas.
Naudodama erdvės ir laiko dėmesį, architektūra gali automatiškai užfiksuoti naudingą informaciją, kurios erdvinėje ir laiko srityse yra nedaug, mikroraiškos pavyzdžiuose, skirtuose CDMER užduotims.
Dėmesio mechanizmas įvedamas apskaičiuojant dėmesio svorius pavyzdžiams tiek erdvinėje, tiek laiko srityje, o tai išryškina informaciją, kuri yra naudingesnė pagrindinio pagrindo pavyzdžiuose.
- Koreliacijos suderinimui (CORAL) įterpti naudojamas paprastas, bet efektyvus domeno pritaikymo metodas.
- Paprastas, bet efektyvus domeno pritaikymo metodas naudojamas koreliacijos suderinimo (CORAL) praradimui įterpti į pirmąjį visiškai prijungtą (FC) neuroninio tinklo sluoksnį, o tai žymiai pagerina kryžminių duomenų bazių užduočių atlikimą.
- Eksperimentai atliekami su dviem etaloninėmis užduotimis, o rezultatai rodo, kad autorių požiūris yra geresnis, palyginti su naujausiais (SOTA) metodais.
Ateityje mokslininkai tikisi ištirti, ar daugiarūšės informacijos, tokios kaip tekstas ir garsas, derinimas gali padėti atpažinti, o tai yra svarbi problema ir gali prisidėti prie CDMER tyrimų srities.
Straipsnis publikuojamas žurnale Virtuali realybė ir išmanioji aparatinė įranga.
Daugiau informacijos: Yuhan Ran ir kt., Adaptyvus erdvės ir laiko dėmesio neuroninis tinklas, skirtas kryžminių duomenų bazių mikroraiškos atpažinimui, Virtuali realybė ir išmanioji aparatinė įranga (2023). DOI: 10.1016/j.vrih.2022.03.006
Pateikė Beijing Zhongke Journal Publising Co. Ltd.
Citata: Adaptyvusis erdvinio ir laiko dėmesio neuroninis tinklas, skirtas kryžminių duomenų bazių mikroraiškos atpažinimui (2023 m., birželio 16 d.), gautas 2023 m. birželio 18 d. iš https://techxplore.com/news/2023-06-spatio-temporal-attention-neural-network -cross-database.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
