Нейроморфное декодирование выборочных представлений изображений методом согласованной с границами интерполяции

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрены методы нейроморфного кодирования и декодирования больших объемов данных на основе моделирования известных нейромеханизмов восприятия информации. Исследованы известные механизмы зрительной системы, такие как агрегация отсчетов рецептивными полями, центрально-латеральное торможение и др. Разработана модель декодирования, реализующая функцию простых клеток первичной зрительной коры, отвечающих за пространственное восприятие контрастов стимулов. Предложена модель декодирования, позволяющая восстанавливать локальные границы объектов на изображении, улучшая при этом визуальное качество изображений в сравнении с качеством восстановления при классической билинейной интерполяции.

Полный текст

Доступ закрыт

Об авторах

В. А. Кершнер

Институт радиотехники и электроники им. В.А. Котельникова РАН

Автор, ответственный за переписку.
Email: vladkershner@mail.ru
Россия, ул. Моховая, 11, стр. 7, Москва, 125009

Список литературы

  1. Lu Z., Huang D., Bai L. et al. // arXiv preprint arXiv:2304.13023. 2023. https://doi.org/10.48550/arXiv.2304.13023
  2. Pinkston J. T. // IEEE Trans. 1969. V. IT-15. № 1 P. 66. https://doi.org/10.1109/TIT.1969.1054274
  3. Milner D., Goodale M. The Visual Brain in Action. Oxford: Univ. Press, 2006. https://doi.org/10.1093/acprof: oso/9780198524724.001.0001
  4. Antsiperov V., Kershner V. // Pattern Recognition Applications and Methods, ICPRAM 2021–2022. Lecture Notes in Computer Sci. P. 13822. Cham: Springer, 2023. https://doi.org/10.1007/978-3-031-24538-1_3
  5. Yang M., Sun X., Jia F. et al. // Polymers. 2022. V. 14. № 10. Р. 2019. https://doi.org/10.3390/polym14102019
  6. Keeler H. P. Notes on the Poisson Point Process. Technical Report. Berlin: Weierstrass Inst. 2016. 36 p. https://hpaulkeeler.com/wp-content/uploads/2018/08/PoissonPointProcess.pdf
  7. Antsiperov V. // Proc. 11th Int. Conf. on Pattern Recognition Applications and Methods – ICPRAM. 3–5 Feb. 2022. Setúbal: SciTePress – Science and Technology Publ., 2022. P. 354. https://doi.org/10.5220/0010836800003122
  8. Latecki L. J., Lakamper R., Eckhardt T. // Proc. IEEE Conf. Computer Vision and Pattern Recognition, CVPR-2000. Hilton Head Island. 15 Jun. N.Y.: IEEE, 2000. P. 424. https://doi.org/10.1109/CVPR.2000.855850
  9. Hubel D. H., Wiesel T. N. Brain and Visual Perception: The Story of a 25-year Collaboration. Oxford: Univ. Press, 2004. https://doi.org/10.1016/0001-6918(64)90136-2
  10. Keller A. J., Roth M. M., Scanziani M. // Nature. 2020. V. 582. № 7813. Р. 545. https://doi.org/10.1038/s41586-020-2319-4
  11. Hoon M., Okawa H., Santina L. D., Wong R. O. // Progress in Retinal and Eye Research. 2014. V. 42. Р. 44. https://doi.org/10.1016/j.preteyeres.2014.06.003
  12. Antsiperov V. // Proc. 12th Int. Conf. on Pattern Recognition Applications and Methods (ICPRAM 2023). Lisbon. 22–24 Feb. 2023. Setúbal: SciTePress – Science and Technology Publ., 2023. P. 517. https://doi.org/10.5220/0011792800003411
  13. Fish J., Wagner G. J., Keten S. // Nature Mater. 2021. V. 20. № 6. Р. 774. https://doi.org/10.1038/s41563-020-00913-0
  14. Ranstam J., Cook J. A. // J. British Surgery. 2018. V. 105. № 10. Р. 1348. https://doi.org/10.1002/bjs.10895
  15. Tam W. S., Kok C. W., Siu W. C. // J. Electron. Imaging. 2010. V. 19. № 1. Р. 013011. https://doi.org/10.1117/1.3358372
  16. Marr D., Hildreth E. // Proc. Royal Society of London. Ser. B. Biol Sci. 1980. V. 207. № 1167. P. 187. https://doi.org/10.1098/rspb.1980.0020. PMID: 6102765.
  17. Yu S., Zhang R., Wu Sh. et al. // Biomedical Engineering Online. 2013. V. 12. Р. 1. https://doi.org/10.1186/1475-925X-12-102

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Представление изображения по выборке отсчетов (выборочное представление): а – оригинальное изображение «butterfly-19» [8], б – выборочное представление размером 10 млн отсчетов.

Скачать (67KB)
Метаданные
3. Рис. 2. Разбиение поверхности изображения Ω системой рецептивных ON-полей  с квадратными носителями ∆k ∪ ∆s, расположенными в узлах регулярной квадратной решетки.

Скачать (107KB)
Метаданные
4. Рис. 3. Иллюстрация процедуры кодирования (11) на решетке рецептивных полей размером 50×50 выборочного представления изображения «butterfly-19» [8] (см. рис. 1): а – выборочное представление, б – РП с ненулевыми значениями δ, белым цветом выделены ON-ответы (δ > 0), черным – OFF-ответы (δ < 0).

Скачать (99KB)
Метаданные
5. Рис. 4. Восстановленное (декодированное) изображение «butterfly-19» [8] (см. рис. 1), заданное выборочным представлением {} на решетке 50×50: а – сглаженное изображение, декодированное только с использованием “плавной” части {nk} кода, б – интерполяция вдоль ребер, заданных деталями {δk}.

Скачать (48KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».