Key points are not available for this paper at this time.
As redes neurais artificiais (RNAs), evoluídas a partir de insights biológicos, dotaram os computadores da capacidade de realmente aprender com exemplos usando dados do mundo real. Com essa notável habilidade, as RNAs são capazes de extrair padrões e detectar tendências que são muito complexas para serem notadas ou percebidas por humanos ou técnicas computacionais clássicas. No entanto, à medida que a quantidade de dados a serem processados aumenta significativamente, há uma demanda por desenvolver outros tipos de redes neurais artificiais para realizar tarefas complexas de reconhecimento de padrões. Neste artigo, uma nova classe de redes neurais convolucionais, nomeadamente as redes neurais convolucionais inibitórias de desvio (SICoNNets), é introduzida, e um algoritmo de treinamento é desenvolvido usando aprendizado supervisionado baseado em retropropagação resiliente com momento. Três topologias de rede diferentes, variando de totalmente conectadas a parcialmente conectadas, são implementadas e treinadas para discriminar entre padrões de faces e não-faces. Todas as três arquiteturas alcançam mais de 96% de classificação correta de faces; a melhor arquitetura alcança 97,6% de classificação correta de faces com uma taxa de alarmes falsos de 3,4%.
Tivive et al. (Ter,) estudaram essa questão.