Надежная визуальная когнитивная компьютерная система должна учитывать последние достижения в области нейронауки и когнитивных и информационных наук.
Вступление
Учеными была представлена схема визуальных когнитивных вычислений, основанная на следующих фундаментальных принципах:
1. Расчеты должны производиться вблизи аппаратуры наблюдения, чтобы обеспечить возможность конфигурируемой и программируемой передачи данных изображения, которая поддерживает получение информации, управляемой вниманием;
2. Масштабируемая и гибкая сеть имитирует структурные связи человеческого мозга, используя статическое или динамическое картирование задач и стратегии планирования, а также соответствующие схемы маршрутизации.
Эти стратегии также будут имитировать функциональные соединения мозга, используя адаптивный выбор пути маршрутизации, динамическое распределение пропускной способности канала и распределение ресурсов на основе приоритетов.
Такая конфигурация позволяет настраивать и модифицировать функциональные и эффективные соединения в соответствии с различными требованиями приложений и задач;
3. Схемы извлечения данных на основе контента используются для управления и организации распределенных модулей памяти, а также для записи маршрутов и порядков промежуточных узлов при передаче нейронной активности;
4. Конвергентно-дивергентные соединения в функциональных и эффективных сетях обеспечат кодирование популяции и ассоциативную память;
5. Задачи визуального познания могут быть выполнены путем проектирования многомасштабной пространственно-временной динамической реляционной сети.
Основные компоненты когнитивных вычислений
Компоненты когнитивных вычислений:
1. Сбор информации на основе событий/внимания.
Осуществляет процесс пассивного сбора информации "снизу вверх". Например, изменения оптического потока в результате движения, а также процесс активного поиска информации "сверху вниз". Например, определение местоположения объектов на основе концепций или эмпирических данных.
2. Спатиотемпоральное кодирование.
Обеспечивает быструю функциональную связь и реорганизацию для достижения контекстного (или связанного с задачами) представления, применяя временную кодировку скорости для пиковых сигналов.
Это позволяет визуально отображать и управлять информацией и использовать пространственно-временное нелинейное картирование для достижения распространения, преобразования и миграции пиковой активности.
3. Сетевая динамическая обработка информации.
Различные особенности визуальных объектов, такие как форма, цвет, движение и стереоизображение, передаются и обрабатываются параллельно и в различных масштабах с использованием иерархических и масштабируемых сетевых структур для имитации структурных, функциональных и эффективных связей человеческого мозга.
Распределение ресурсов осуществляется по специальным правилам обучения (или настройки), имитирующим синаптическую пластичность биологических нейронных систем. Устойчивость к непредвиденным событиям и неинформативные исходные данные, а также восстановление после сбоев необходимы на протяжении всего проекта системы.
4. Распределенная ассоциативная память.
Распределенная контекстно-ориентированная схема управления памятью, которая выполняет кодирование популяций для визуального представления концепции и ассоциативного извлечения воспоминаний.
Этот компонент автономно облегчает обслуживание, интерпретацию, оценку, исправление, усиление и интеграцию информации, используя ассоциативную память, которая легко интегрируется с процессорами.
5. Ограничения и рекомендации в отношении условий.
Этот компонент реализует интеллектуальный блок управления во время обработки когнитивных данных для дополнения информации, которая теряется при проецировании 3D-сцены на 2D-датчик изображения.
Она также уменьшает неопределенность при интеграции информации в рамках различных иерархий и модулей для создания разумного визуального представления, которое достигается за счет использования всех преимуществ условий, предварительных знаний и гипотез из реального мира.
Для того чтобы постоянно совершенствоваться и всесторонне проверять эту структуру, необходимо будет развертывать визуальные когнитивные вычисления в сложной и реальной среде.
Типичным сценарием, требующим одновременного выполнения различных сложных задач визуального познания в реальном времени, является самодвижущийся беспилотный аппарат.
К ним относятся обнаружение неструктурированных полос движения, идентификация пешеходов, транспортных средств и дорожных знаков, а также обнаружение и отслеживание многочисленных препятствий. Поэтому самоходные автомобили представляют собой идеальную платформу для разработки и оценки систем зрительного познания.
Заключение
Визуальные когнитивные вычисления играют все более важную роль в развитии интеллектуальных автономных систем и роботов человеческого уровня. Поэтому разработка надежной вычислительной архитектуры, вдохновляемой мозговыми сетями, ассоциативной памятью и зрительным восприятием человека, является важнейшей областью робототехники.
Ученые предложили структуру и компоненты такой системы на основе предыдущих исследований многоуровневого пространственно-временного восприятия и понимания сцены. В дальнейшем они начнут изучать крупномасштабные, компактные и реконфигурируемые визуальные когнитивные вычислительные архитектуры и их реализацию.
