附件C：譯文


利用視皮層模型的圖像識別的硬件加速性

Kenneth L. Rice, Tarek M. Taha, Christopher N. Vutsinas
電氣與計算機工程系，克萊姆森大學，克萊姆森南卡羅來納州29634 ，美國


摘要
在神經(jīng)學科的最新調(diào)查結果中發(fā)現(xiàn)許多描述皮層中過程的新的發(fā)展模式。這些模式在認知應用上的優(yōu)點非常突出，如圖像分析和運動控制。本文將提到一種運用最新提出的視皮層模型的硬件結構來加快圖像內(nèi)容識別的方法。該系統(tǒng)是應用基于一套并行計算機節(jié)點執(zhí)行一個FPGA（現(xiàn)場可編程門陣列）而設計的。該設計對硬件進行了優(yōu)化設計，減小了數(shù)據(jù)存儲的要求，并且去掉了乘和除的算法。在121MHZ下運行的可重構邏輯硬件實施可以比2GHZ的AMD Opteron處理器提供給系統(tǒng)快148倍的加速能力。該結果表明，通過專門的硬件來實現(xiàn)規(guī)模較大的生物模型的加速是可行的。
©2008年埃爾塞維爾有限公司。版權所有。
關鍵詞： 硬件； 圖像識別

1. 引言
圖像內(nèi)容識別在光學系統(tǒng)和處理過程中具有很強的應用性[1-3]。然而，總的來說，計算機系統(tǒng)識別物體的圖像比識別自然生物要困難[4]。有人認為，這種能力上的差距在很大程度上是由于基本架構的差異，因此在算法的利用上生物大腦與傳統(tǒng)電腦也不相同[5]。大腦的主要部分用來處理認知任務，如圖像內(nèi)容的分析，學習和大腦皮層的運動控制[4]。這是人大腦的外層部分，它包括一個相當統(tǒng)一的結構。過去十年的研究已散射大量的光進入皮層的結構和功能中[6]。基于這種認識，最近科學家們提出了皮層的一些數(shù)學模型[7-10]。這些模式顯然不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡而且有益于各種各樣的應用領域。
最近，George 和 Hawkins[8]提出的關于皮層的貝葉斯網(wǎng)絡分層模型受到極大的關注。該模型實現(xiàn)了在視皮層上可看到的不變模式識別。George 和 Hawkins[8]表明它能夠很好的執(zhí)行辨認在不斷不斷變化下物體的序列圖像。該模型的基礎是Numenta[11]提出的并正在制定的征對一系列認知應用的商業(yè)設計，它包括圖像內(nèi)容識別。