earticle

영어

This paper proposes a new representation scheme for visual stimuli in the software implementation for human memory circular mechanism using memory model, visual data processing, and signal processing in cognitive science. Especially, this paper proposes a noble scheme for a lower dimensional abstracted and conceptualized representation of higher dimensional visual stimuli in human vision-memory circular model. The proposed scheme employes generative model based auto encoder and clustering for representing high-dimension visual input data as low-dimension attribute data. In this process, SDR (Sparse Distributed Representation) is used for low-dimension attribute representation, because it can guarantee semantic embedding and distance between classes. In this paper, the experimental results applied to the MNIST and Fashion MNIST datasets, which consist of 28x28 pixels, confirmed from the classifier point of view that the low-dimensional SDRs for each class obtained well reflect their respective characteristics. The experiment confirmed that even if 784 dimensions were changed to 10 dimensions, low-dimensional expressions converted at a classification error level of less than 2% could sufficiently express high-dimensional inputs.

한국어

본 논문에서는 사람의 기억 순환 메커니즘에 대한 소프트웨어적 구현에 있어서 인지과학적 기억의 관점, 시각 데이 터 처리의 관점 및 신호처리의 관점에서 새로운 시각 자극의 표현 기법을 제안한다. 특히, 사람의 시각과 기억의 순 환 모델링을 위해 높은 차원의 시각 자극에 대해 낮은 차원의 추상화 및 개념화 과정을 통해 표현하는 새로운 기법 을 제안한다. 제안 기법은 생성 모델 기반 오토 인코더와 클러스터링을 통해 고차원의 시각 입력 데이터에 대해 저 차원의 속성 데이터로 표현한다. 이때, 저차원 속성 데이터 표현에 있어 시맨틱의 임베딩 및 클래스 간 거리 유지에 유리한 희소 분포 표현 (SDR: Sparse Distributed Representation)을 사용한다. 본 논문에서는 28x28 화소로 구성되는 MNIST와 Fashion MNIST 데이터셋에 대해 적용한 실험 결과 각 클래스에 대해 변환된 저차원 SDR이 고차원 데이터 특성을 잘 반영함을 분류기 관점에서 확인하였다. 실험에서 784차원을 10차원으로 변경하더라도 2% 이하 분류 에러 수준에서 변환된 저차원 표현이 고차원 입력을 충분히 표현할 수 있음을 확인하였다.