ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2023. №11
Оглавление выпускаТекст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2023.11.30
УДК: 004.932
Метод нейроморфного кодирования / восстановления
изображений, заданных пуассоновскими отсчетами
В.Е. Анциперов
ИРЭ им. В.А. Котельникова РАН
125009, Москва, ул. Моховая, 11, корп.7
Статья поступила в редакцию 30 ноября 2023 г.
Аннотация. В работе рассмотрен один из возможных нейроморфных методов обработки относительно больших объемов потоковых данных. Метод в основном мотивирован известными механизмами сенсорного восприятия живых систем, в частности, методами зрительного восприятия. В этой связи основные положения метода обсуждаются в контексте задач кодирования / восстановления изображений на периферии зрительной системы. Предлагаемый метод ориентированы на представление входных данных в виде потока дискретных событий (отсчетов), аналогичных событиям разрядов нейронов сетчатки глаза. Для этих целей используется специальное представление потоков данных с помощью выборок отсчетов контролируемого размера (выборочных представлений). Основываясь на специфике выборочного представления естественным образом формализуется порождающая (генеративная) модель данных в виде системы распределенных по полю зрения компонент. В рамках генеративной модели задача оптимального кодирования сформулирована в задачу поиска максимально правдоподобных оценок. Решение последней задачи осуществлено на основе структурирования массива компонент в виде модели системы рецептивных полей (РП), воплощающих универсальные принципы (в т.ч. латерального торможения) нейронной сети мозга. Механизм латерального торможения реализован в модели в виде антагонистической структуры центр / окружение РП. Вопросы декодирования изображений рассматриваются в контексте восстановления пространственных контрастов, что отчасти эмитирует работу так называемых простых клеток зрительной коры. Показано, что модель связанного ON-OFF-декодирования допускает восстановление резких деталей изображения в виде подчеркивания границ, отмечается связь метода с положениями так называемой теорией ретинекса.
Ключевые слова: нейроморфные методы, пуассоновские отсчеты, выборочное представление, рецептивные поля, согласованная с контрастом интерполяция изображений.
Финансирование: Работа выполнена за счет бюджетного финансирования в рамках государственного задания в Институте радиотехники и электроники им. Котельникова РАН (ГЗ «РЕЛДИС»).
Автор для переписки: Анциперов Вячеслав Евгеньевич, antciperov@cplire.ru
Литература
1. Nguyen G. et al. Machine learning and deep learning frameworks and libraries for large-scale data mining: a survey //Artificial Intelligence Review. – 2019. – Т. 52. – С. 77-124. DOI: https://doi.org/10.1007/s10462-018-09679-z .
2. Christensen D. V. et al. 2022 roadmap on neuromorphic computing and engineering // Neuromorph. Comput. Eng. – 2022. – Т. 2. – С. 022501. DOI: https://doi.org/10.1088/2634-4386/ac4a83
3. Antsiperov V. E. Generative Model of Autoencoders Self-Learning on Images Represented by Count Samples // Automation and Remote Control. – 2022. – Т. 83. – №. 12. – С. 1959-1983. https://doi.org/10.1134/S00051179220120098
4. Kuffler S. W. Discharge patterns and functional organization of mammalian retina // Journal of neurophysiology. – 1953. – Т. 16. – №. 1. – С. 37-68. https://doi.org/10.1152/jn.1953.16.1.37.
5. Marr D., Hildreth E. Theory of edge detection // Proceedings of the Royal Society of London. Series B. Biological Sciences. – 1980. – Т. 207. – №. 1167. – С. 187-217. https://doi.org/10.1098/rspb.1980.0020.
6. Bear M. F., Connors B. W., Paradiso M. A. The eye // Neuroscience: Exploring the Brain,. – 2007. – С. 277-307.
7. Allebach J., Wong P. W. Edge-directed interpolation // Proceedings of 3rd IEEE International Conference on Image Processing. – IEEE, 1996. – Т. 3. – С. 707-710. https://doi.org/10.1109/icip.1996.560768
8. Antsiperov V. New Centre/Surround Retinex-like Method for Low-Count Image Reconstruction // Proceedings of the 12th International Conference on Pattern Recognition Applications and Methods-ICPRAM. – SciTePress, 2023. – С. 517-528. https://doi.org/10.5220/0011792800003411
9. Antsiperov V., Kershner V. Retinotopic image encoding by samples of counts // International Conference on Pattern Recognition Applications and Methods. – Cham: Springer International Publishing, 2021. – С. 52-75. https://doi.org/10.1007/978-3-031-24538-1_3
10. Barrett H. H., White T., Parra L. C. List-mode likelihood // JOSA A. – 1997. – Т. 14. – №. 11. – С. https://doi.org/10.1364/JOSAA.14.002914
11. Young G. A., Smith R. L. Essentials of statistical inference. – Cambridge University Press, 2005. – Т. 16.
12. Land E. H. The retinex theory of color vision // Scientific American. – 1977. – Т. 237. – №. 6. – С. 108-129. https://doi.org/10.1038/scientificamerican1277-108.
Для цитирования:
Анциперов В.Е. Метод нейроморфного кодирования / восстановления изображений, заданных пуассоновскими отсчетами. // Журнал радиоэлектроники. – 2023. – №. 11. https://doi.org/10.30898/1684-1719.2023.11.30