Cognitron (코그니트론) 은 1975 년 Kunihiko Fukushima (Tokyo University of Technology) 에 의해 개발된 패턴인식 모델로서 경쟁 학습을 하는 다층의 신경망 모델이다. 이 모델은 인간의 인식 시스템에 대한 가설적인 수학적 모델인데, 그의 컴퓨터 시뮬레이션 결과는 그 당시에 매우 인상적인 패턴인식의 능력을 보여 주었고, 생리 학자들이 인간 두뇌의 메카니즘을 규명하도록 동기를 유발시켰다. .........
후쿠시마는 일반적으로 생물학적인 연관 관계가 적다고 믿어지는 지도학습 (supervised learning) 대신에 자율학습(unsupervised learning) 알고리즘을 사용하였다. 입력패턴의 훈련 세트가 주어지면 네트워크는 뉴런의 연결강도를 스스로 조정한다. 어느 층의 주어진 지역 (region) 에서 가장 활발히 점화하는 뉴런만이 학습을 받게 된다. 이것은 몇몇의 우수한 학생들만 선택되어 교육을 받는 '엘리트 교육' 과도 유사하다.
3 개의 층으로 이루어진 코그니트론의 연결 구역 (connection region) 은 다음 그림과 같다.
.gif)
......... 코그니트론과 네오코그니트론은 상당한 유사점을 가지고 있지만 자세히 살펴보면 근본적인 차이점을 발견할 수 있다. 두 모델은 시각 피질 (visual cortex) 과 같이 조직된 다층의 (multilayer) 계층적인 (hierarchical) 네트워크들인데, 네오코그니트론은 Hubel 과 Wiesel 이 제안한 고양이와 원숭이의 시각 시스템 모델과 더욱 유사하다. 따라서 네오코그니트론은 코그니트론보다 패턴을 인식하는 능력이 훨씬 좋다. 특히 패턴의 일그러짐, 크기의 변화, 그리고 위치의 이동 등에 영향을 덜 받는다. 일반적으로 네오코그니트론은 코그니트론과 같이 자기조직화 학습을 하며, 지도 (supervised) 학습이 쓰인 예도 있다.
코그니트론과 네오코그니트론은 인간의 학습 방법과 인지적인 능력을 흉내내어서 인간 두뇌의 기능을 이해하려는 시도로 볼 수 있다. 그러나 네오코그니트론은 상당히 복잡하고 또한 많은 계산을 필요로 하며, 한글 문자의 경우 한 문자를 인식하는데 약 20 분 가량 걸리는 큰 단점이 있다. 그러므로 오늘날의 패턴인식에 있어서 현재의 범용 컴퓨터 를 이용할 경우에는 실용적인 패턴인식 모델이 될 수 없다. 그러나 컴퓨터 하드웨어의 급속한 발전과 주문형 VLSI 를 이용함으로써 복잡한 패턴인식 문제를 해결하는 실용적인 모델이 될 수도 있을 것이다. ............ (김대수 1992)
term :
코그니트론 (Cognitron) 신경망 (Neural Network) 자율학습 (Unsupervised Learning) 패턴인식 (Pattern Recognition) 시각 (Vision)
paper :
Cognitron: a self-organizing multilayered neural network : Kunihiko Fukushima 1975
Computational model of Vision : "Modeling and Simulation of Frog Retina : Spatio-Temporal Approach" : 이일병, 1986, Advisor : Michael A. Arbib
site :