ROZPOZNAWANIE

Teorie rozpoznawania

Modele konekcjonistyczne

Teorie

roz-poznawania (re-

cognition)



Teorie rozpoznawania a teorie
pamięci



Rodzaje rozpoznawania:



Identyfikacja:

•

Kategoryzacja: Jaki rodzaj/typ obiektu?

•

Co to za przedmiot (konkretny)

Problem rozpoznawania



Informacje o tym samym obiekcie
nigdy nie są takie same:

•

Różne warunki oświetlenia, kąt patrzenia,
kontekst



Informacje o klasie obiektów:

•

Obiekty różnią się wewnątrz klasy



Teoria wzorca

•

Przechowywanie nieskończonej liczby wzorców

•

Porównywanie (dokładność)

•

Klasyfikacja?



Teoria cech

•

Dopasowywanie cech obrazu do cech
przechowywanych w pamięci

•

Dowody: „detektory cech” w korze wzrokowej (Hubel
& Wiesel)

•

Zanikanie obrazu ustabilizowanego na siatkówce

Ruchy oka



Sakady
(prędkość:
1000degr/s)



Nystagmus
fizjologiczny
(85Hz, 10-
14 arcsec)

IMVXEW

WVMEIX

XEMIVM

VXWEIM

MXEWVI

MEZXIW

WXEIMV

EIVMWX

WXIEMV

ODUGQR

RUDQOG

GQDOUD

DQZGOR

UGRQOD

DGQRUO

RGQODU

QOUDRG

RGOQDU



Teoria cech:



Co jest cechą? Relacje między cechami,
ważność cech.

Teoria prototypów



Porównanie do prototypu: najbardziej

typowego (średniego, idealnego,

najczęściej spotykanego) reprezentanta

kategorii:

•

Założenie: każdy bodziec jest członkiem klasy

bodźców



Ludzie często „rozpoznają” prototypy

mimo, że wcale ich nie widzieli (Posner &

Keele; Franks & Bansford)



Zapamiętana współzależność cech

Rozpoznawanie: Modele blokowe

vs koneksjonistyczne

Wejś-
cie

Rejestry
sensory-
czne

STM

Pamięć
robocza

Wyjście

LTM

Atkinson & Shiffrin’68

Uproszczony schemat systemu poznawczego
jako systemu przetwarzającego informacje

Niekoniecznie prawdziwe założenia
paradygmatu przetwarzania informacji



Przetwarzanie w sekwencji faz



Informacja w formie symboli



Pamięć zlokalizowana



Architektura systemu nie jest ważna

Konsekwencje:



Problem „100 kroków”



Możliwość modelowania tylko dobrze
określonych, prostych problemów



Niepełne dane -> Nagła degradacja
wyniku



Homunkulus (Centralny Procesor
przetwarzający wg reguł?,
interpretujący symbole)

Wejś-
cie

Rejestry
sensory-
czne

STM

Pamięć
robocza

Wyjście

LTM

@ludziki:

bemanet.w.interia.pl/gify.html

Uproszczony schemat systemu poznawczego
jako systemu przetwarzającego informacje

Modele koneksjonistyczne

Wyższe procesy umysłowe

(np. pamięć, myślenie)

Podstawowe elementy układu

nerwowego i ich organizacja

Sieci neuropodobne
Parallel Distr Proc

Modele koneksjonistyczne



Architektura systemu jest ważna

•

Przetwarzanie równoległe i rozproszone



Brak oddzielnych faz przetwarzania

•

model pamięci jest jednocześnie modelem

spostrzegania, rozpoznawania, kategoryzacji,

tworzenia pojęć



Oparte na współdziałaniu wielu prostych

elementów i prostych regułach uczenia



Twórcy: McClelland, Rumelhart, Hinton

(lata 80.)

rogi

szczeka

pióra

4 nogi

dziób

muczy

r

s

p

4 d

m

pies

0

1 0

1 0

0

krowa

1

0 0

1 0

1

kura

0

0 1

0 1

0

0

0

0

0

1

1

-1

-1

1

-1

1

1

1

0

0

0

-2

0

0

0

-1

rogi

szczeka

pióra

4 nogi

dziób

muczy

1

1

0

1

0

0

r

s

p

4 d

m

pies

0

1 0

1 0

0

krowa

1

0 0

1 0

1

kura

0

0 1

0 1

0



Rodzaje sieci: proste (Hopfield),
wielowarstwowe, z warstwami
ukrytymi, rekurencyjne



Istotność pojęcia równowagi



Sieci: szczególny przypadek szerszej
klasy modeli – nieliniowych układów
dynamicznych

Sieci wielowarstwowe, rekurencyjne

aemc.jpl.nasa.gov/activities/bio_regen.cfm

http://www.machinevision.at/index.php?id=ffg_skill3d

Zastosowanie modeli
koneksjonistycznych



Model NETtalk (Sejnowski & Rosenberg,

1987); modele uczenia się języka; model

afazji (Shallice)



Modele struktur nerwowych: np.

hipokampa u szczura



Systemy rozpoznające: psychologia,

medycyna, wojsko



Systemy eksperckie (ubezpieczenia,

medycyna i in.)



Przykład EasyNN

P. przetw.

informacji

(metafora

komp.)

Sieci neu-

ropodobne

Architektura

systemu

Nieistotna

Istotna

Działanie

Sekwencyjne

Równoległe

Pamięć

Lokalna

Rozproszona,
adresowana

przez treść

Degradacja

działania

Nagła

Stopniowa

Sytuacje

Poznawcze

Uproszczone Wieloczynni-

kowe

„Główny
wykonawca”

CPU
Homunkulus

Brak – system
ewoluuje do

rozwiązania

Wg reguł

Spontaniczna
generalizacja

Reprezentacje Symboliczne

Sub-
symboliczne

Ujęcie

poznania

W fazach

Całościowe

Ograniczenia modeli sieci
neuronowych



Dobre do modelowania stopniowego

uczenia się. Gorsze: np. rozpoznawanie po

jednej ekspozycji



Struktura powiązań między cechami może

być bardziej skomplikowana



Nierealistyczny model działania neuronów



Ograniczone do pewnego rodzaju

problemów



Nowy paradygmat?