PushPull网络:抗干扰的ResNet
原文中文,约400字,阅读约需1分钟。发表于: 。本文提出了一种新型计算单元PushPull-Conv,旨在解决传统卷积层在图像破损情况下的脆弱性。该单元通过引入对比性滤波器实现刺激选择性增强,实现了对非优选刺激区域的抑制,从而提升了ResNet的鲁棒性。实验结果表明,当结合PRIME增强技术时,PushPull-Conv显著提高了模型的抗干扰能力,并在ResNet50上设立了新的鲁棒性基准。
本文介绍了一种名为“动态网络架构”的智能系统架构,该架构依赖于稳定循环网络,并讨论了其在视觉上的应用。通过动态连接主义原则,该模型能够稳定初级传入信号引起的神经激活,并能够从部分遮挡的输入中重建预期特征。研究限制了DNA在一个大脑皮层区域,并提供了关于该区域的优势和不足的深入理解。未来的工作将探索如何通过组合多个区域来实现不变的物体识别。