摘要

本文介绍了一种名为“动态网络架构”（Dynamic Net Architecture, DNA）的新型智能系统架构，该架构依赖于循环稳定网络，并应用于视觉处理。DNA模型通过自组织机制和Hebbian可塑性，动态地整合局部和全局特征，从而生成高度鲁棒的视觉表示。与传统的人工神经网络（ANNs）不同，DNA通过动态横向连接过滤掉无关细节，提高了处理步骤的清晰度和决策的准确性。实验证明，DNA能够有效地组合线条片段，形成更长的线条，即使在高达59%的噪声干扰下，也能保持线条表示的鲁棒性。此外，DNA还能从部分遮挡的输入中重建预期特征，并能泛化到训练中未观察到的模式。本文还探讨了如何通过结合多个区域来实现未来的不变对象识别工作。

原理

DNA架构的核心在于其动态连接主义原则，即通过自组织机制和Hebbian可塑性来稳定神经激活。在DNA模型中，神经激活最初由传入信号引发，随后通过周期性增强的抑制作用进行稳定。这种处理范式通过动态横向连接，有效地过滤掉神经激活中的无关细节，从而使后续处理步骤免受干扰噪声和过早决策的影响。DNA模型通过两个阶段的处理过程，首先是一个短暂的初始活动爆发，然后在第二阶段，大部分这种活动被抑制，只留下那些通过兴奋性横向连接相互支持的神经元保持活跃。这种机制使得DNA模型能够有效地去除噪声和过滤掉无关细节，避免了早期承诺的谬误，即无法将外部函数的输出（高级特征）纳入内部函数的计算（低级特征），从而导致低级决策误导高级决策。

流程

DNA模型的工作流程包括两个主要阶段：特征提取和动态网络构建。在特征提取阶段，输入图像通过卷积操作转换为特征激活图。这些特征激活图随后在动态网络构建阶段通过循环连接和抑制机制进行处理，以形成稳定的网络结构。具体来说，输入图像首先通过卷积层（S1）提取特征，然后这些特征通过循环连接（S2）进行处理，同时通过增加抑制来筛选出支持性最强的神经元。这个过程在多个时间步骤中迭代进行，直到形成一个稳定的网络结构。例如，在实验中，DNA模型能够将线条片段组合成更长的线条，并保持这些线条在高达59%的噪声干扰下的鲁棒性。

应用

DNA模型的应用前景广泛，特别是在需要高度鲁棒性和泛化能力的计算机视觉任务中。由于其能够有效地处理噪声和遮挡，DNA模型在自动驾驶、安全监控和医疗图像分析等领域具有潜在的应用价值。此外，通过扩展到多个区域，DNA模型有望实现更复杂的不变对象识别任务，进一步提高其在实际应用中的效能。随着对DNA模型研究的深入和技术的成熟，预计将在未来的机器学习系统中发挥重要作用。