a fast contour detection model inspired by biological mechanisms in primary vision system

نموذج سريع لكشف الكفاف مستوحى من الآليات البيولوجية في نظام الرؤية الأولي

Clicks: 206
ID: 199600
2018
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #100 of 128 articles by views in population health management

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 128 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Compared to computer vision systems, the human visual system is more fast and accurate. It is well accepted that V1 neurons can well encode contour information. There are plenty of computational models about contour detection based on the mechanism of the V1 neurons. Multiple-cue inhibition operator is one well-known model, which is based on the mechanism of V1 neurons' non-classical receptive fields. However, this model is time-consuming and noisy. To solve these two problems, we propose an improved model which integrates some additional other mechanisms of the primary vision system. Firstly, based on the knowledge that the salient contours only occupy a small portion of the whole image, the prior filtering is introduced to decrease the running time. Secondly, based on the physiological finding that nearby neurons often have highly correlated responses and thus include redundant information, we adopt the uniform samplings to speed up the algorithm. Thirdly, sparse coding is introduced to suppress the unwanted noises. Finally, to validate the performance, we test it on Berkeley Segmentation Data Set. The results show that the improved model can decrease running time as well as keep the accuracy of the contour detection.
بالمقارنة مع أنظمة الرؤية الحاسوبية، يتميز النظام البصري البشري بكونه أسرع وأكثر دقة. ومن المسلَّم به على نطاق واسع أن عصبونات القشرة البصرية الأولية (V1) قادرة على ترميز معلومات الكفاف (contour) بكفاءة عالية. وهناك العديد من النماذج الحوسبية الخاصة بكشف الكفاف والمبنية على آلية عمل عصبونات V1؛ ويُعدّ مُؤثّر التثبيط متعدد المؤشرات أحد النماذج المعروفة في هذا المجال، والذي يستند إلى آلية حقول الاستقبال غير الكلاسيكية لعصبونات V1. ومع ذلك، فإن هذا النموذج يستغرق وقتاً طويلاً في المعالجة وعُرضة للضوضاء. ولحل هاتين المشكلتين، نقترح نموذجاً مُحسَّناً يدمج آليات إضافية لنظام الرؤية الأولي؛ أولاً، وبناءً على حقيقة أن خطوط الكفاف البارزة لا تشغل سوى جزء صغير من مجمل الصورة، تم إدخال الترشيح المسبق لتقليل زمن التشغيل. ثانياً، وانطلاقاً من النتيجة الفسيولوجية التي تفيد بأن العصبونات المتقاربة غالباً ما تُبدي استجابات شديدة الترابط وتتضمن بالتالي معلومات فائضة، نعتمد أخذ العينات المنتظم لتسريع الخوارزمية. ثالثاً، تم إدراج الترميز المتناثر (sparse coding) لكبح الضوضاء غير المرغوب فيها. وأخيراً، وللتحقق من كفاءة الأداء، قمنا باختبار النموذج على مجموعة بيانات بيركلي للتجزئة (Berkeley Segmentation Data Set). وتُظهر النتائج قدرة النموذج المُحسَّن على تقليل زمن التشغيل مع الحفاظ على دقة كشف الكفاف في آنٍ واحد.
Reference Key
kang2018frontiersa Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Xiaomei Kang, Qingqun Kong, Yi Zeng, Bo Xu
Are you one of these authors? Claim your profile
Journal population health management
Year 2018
DOI
10.3389/fncom.2018.00028
URL
http://journal.frontiersin.org/article/10.3389/fncom.2018.00028/full
Keywords
uniform sampling neuropsychiatry biological psychiatry

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.