Preview

Вестник НГУ. Серия: Информационные технологии

Расширенный поиск

Новая модель нейрона конца линий, применимая в свёрточных нейронных сетях

https://doi.org/10.25205/1818-7900-2021-19-3-50-60

Аннотация

Представлена модель комплексного нейрона конца линий. Этот тип нейронов дает максимальный отклик на конце линии и используется для уточнения выделения краев. В работе приведен обзор различных моделей нейронов конца линий и проведено сравнение их откликов. Нами предложена более простая и, в тоже время, точная CE-модель нейрона конца линий, базирующаяся на использовании фильтров Габора, находящихся в противофазе. Предложенная модель интегрирована в сверточную нейронную сеть выделения краев, описание которой также приведено в статье. Предлагаемая модель показала высокую эффективность.

Об авторе

А. В. Кугаевских
Институт автоматики и электрометрии Сибирского отделения Российской академии наук; Новосибирский государственный университет
Россия

 Александр Владимирович Кугаевских, кандидат технических наук 

Новосибирск



Список литературы

1. Serre T., Wolf L., Bileschi S., Riesenhuber M., Poggio T. Robust Object Recognition with Cortex-Like Mechanisms. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, vol. 29, no. 3, pp. 411–426. DOI 10.1109/TPAMI.2007.56

2. Díaz-Pernas F. J., Martínez-Zarzuela M., Antón-Rodríguez M., González-Ortega D. Learning and surface boundary feedbacks for colour natural scene perception. Applied Soft Computing, 2017, vol. 61, pp. 30–41. DOI 10.1016/j.asoc.2017.07.055

3. Hubel D. H. Eye, brain, and vision. New York, Scientific American Library: Distributed by W. H. Freeman, 1988.

4. Yazdanbakhsh A., Livingstone M. S. End stopping in V1 is sensitive to contrast. Nature Neuroscience, 2006, vol. 9, no. 5, pp. 697–702. DOI 10.1038/nn1693

5. Eskikand P. Z., Kameneva T., Ibbotson M. R., Burkitt A. N., Grayden D. B. A Possible Role for End-Stopped V1 Neurons in the Perception of Motion: A Computational Model. PLOS ONE, 2016, vol. 11, no. 10, p. e0164813. DOI 10.1371/journal.pone.0164813

6. Nicholls J. G. (ed.) From neuron to brain. 5th ed. Sunderland, Mass, Sinauer Associates, 2012.

7. Kugaevskikh A. V., Sogreshilin A. A. Analyzing the Efficiency of Segment Boundary Detection Using Neural Networks. Optoelectron. Instrument. Proc., 2019, vol. 55, no. 4, pp. 414–422. DOI 10.3103/S8756699019040137

8. Gabor D. Theory of communication. Journal of the Institution of Electrical Engineers, 1946, vol. 93, no. 26, pp. 429–457.

9. Daugman J. G. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters. J. Opt. Soc. Am. A, 1985, vol. 2, no. 7, p. 1160. DOI 10.1364/JOSAA.2.001160

10. Petkov N. Biologically motivated computationally intensive approaches to image pattern recognition. Future Generation Computer Systems, 1995, vol. 11, no. 4–5, pp. 451–465. DOI 10.1016/0167-739X(95)00015-K

11. Kruizinga P., Petkov N. Nonlinear operator for oriented texture. IEEE Transactions on Image Processing, 1999, vol. 8, no. 10, pp. 1395–1407. DOI 10.1109/83.791965

12. Bovik A. C., Clark M., Geisler W. S. Multichannel texture analysis using localized spatial filters. IEEE Trans. Pattern Anal. Machine Intell., 1990, vol. 12, no. 1, pp. 55–73. DOI 10.1109/34.41384

13. Pollen D. A., Ronner S. F. Visual cortical neurons as localized spatial frequency filters. IEEE Trans. Syst., Man, Cybern., 1983, vol. SMC-13, no. 5, pp. 907–916. DOI 10.1109/TSMC. 1983.6313086

14. Akbarinia A., Parraga C. A. Feedback and Surround Modulated Boundary Detection. International Journal of Computer Vision, 2018, vol. 126, no. 12, pp. 1367–1380. DOI 10.1007/s11263-017-1035-5

15. Bhattacharjee S. K., Vandergheynst P. End-stopped wavelets for detecting low-level features. In: SPIE’s International Symposium on Optical Sience, Engineering, and Instrumentation. Denver, CO, Oct. 1999, pp. 732–741. DOI 10.1117/12.366829

16. Rodrigues J., J. Buf M. H. du. Multi-scale keypoints in V1 and beyond: Object segregation, scale selection, saliency maps and face detection. Biosystems, 2006, vol. 86, no. 1–3, pp. 75–90. DOI 10.1016/j.biosystems.2006.02.019

17. Würtz R. P., Lourens T. Corner detection in color images through a multiscale combination of end-stopped cortical cells. Image and Vision Computing, 2000, vol. 18, no. 6–7, pp. 531–541. DOI 10.1016/S0262-8856(99)00061-X

18. Heitger F., Rosenthaler L., Heydt R. von der, Peterhans E., Kübler O. Simulation of neural contour mechanisms: from simple to end-stopped cells. Vision Research, 1992, vol. 32, no. 5, pp. 963–981. DOI 10.1016/0042-6989(92)90039-L

19. Fukushima K. Neocognitron for handwritten digit recognition. Neurocomputing, 2003, vol. 51, pp. 161–180. DOI 10.1016/S0925-2312(02)00614-8


Рецензия

Для цитирования:


Кугаевских А.В. Новая модель нейрона конца линий, применимая в свёрточных нейронных сетях. Вестник НГУ. Серия: Информационные технологии. 2021;19(3):50-60. https://doi.org/10.25205/1818-7900-2021-19-3-50-60

For citation:


Kugaevskikh A.V. New End-Stopped Complex Cell Model Applicable in Convolutional Neural Networks. Vestnik NSU. Series: Information Technologies. 2021;19(3):50-60. (In Russ.) https://doi.org/10.25205/1818-7900-2021-19-3-50-60

Просмотров: 177


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1818-7900 (Print)
ISSN 2410-0420 (Online)