Journal of Communications Technology and ElectronicsJournal of Communications Technology and ElectronicsРадиотехника и электроника0033-84943034-5901The Russian Academy of Sciences68238910.31857/S0033849424120064HNBTUVTHEORY AND METHODS OF SIGNAL PROCESSINGТЕОРИЯ И МЕТОДЫ ОБРАБОТКИ СИГНАЛОВResearch ArticleNeuromorphic decoding of sample image representations by the boundary-consistent interpolation methodНейроморфное декодирование выборочных представлений изображений методом согласованной с границами интерполяцииKershnerV. A.КершнерВ. А.
Russian Federation
vladkershner@mail.ruKotel’nikov Institute of Radio Engineering and Electronics, Russian Academy of SciencesИнститут радиотехники и электроники им. В.А. Котельникова РАН1512202469121183119003062025Copyright ©; 2024, Russian Academy of SciencesCopyright ©; 2024, Российская академия наук2024Russian Academy of SciencesРоссийская академия наукhttps://innoscience.ru/0033-8494/article/view/682389

The paper discusses methods for encoding and decoding large amounts of data using a neuromorphic model based on known neuromechanisms for the perception of visual information. Known mechanisms of the visual system, such as aggregation of counts by receptive fields, central-lateral inhibition, etc., have been studied. A decoding model has been developed that implements the function of simple cells of the primary visual cortex responsible for spatial perception of stimulus contrasts. The proposed decoding model makes it possible to restore local boundaries of objects in an image, while improving the visual quality of images in comparison with the quality of restoration with classical bilinear interpolation.

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.

neuromorphic systemssample representationneural codingreceptive field systemadaptive interpolationнейроморфные системывыборочное представлениенейронное кодированиесистема рецептивных полейадаптивная интерполяцияМинистерство науки и высшего образования Российской ФедерацииMinistry of Science and Higher Education of the Russian Federation0030-2019-0009Lu Z., Huang D., Bai L. et al. // arXiv preprint arXiv:2304.13023. 2023. https://doi.org/10.48550/arXiv.2304.13023Pinkston J. T. // IEEE Trans. 1969. V. IT-15. № 1 P. 66. https://doi.org/10.1109/TIT.1969.1054274Milner D., Goodale M. The Visual Brain in Action. Oxford: Univ. Press, 2006. https://doi.org/10.1093/acprof: oso/9780198524724.001.0001Antsiperov 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_3Yang M., Sun X., Jia F. et al. // Polymers. 2022. V. 14. № 10. Р. 2019. https://doi.org/10.3390/polym14102019Keeler 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.pdfAntsiperov 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/10.5220/0010836800003122Latecki 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.2000.855850Hubel 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)90136-2Keller A. J., Roth M. M., Scanziani M. // Nature. 2020. V. 582. № 7813. Р. 545. https://doi.org/10.1038/s41586-020-2319-4Hoon 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.2014.06.003Antsiperov 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/10.5220/0011792800003411Fish J., Wagner G. J., Keten S. // Nature Mater. 2021. V. 20. № 6. Р. 774. https://doi.org/10.1038/s41563-020-00913-0Ranstam J., Cook J. A. // J. British Surgery. 2018. V. 105. № 10. Р. 1348. https://doi.org/10.1002/bjs.10895Tam W. S., Kok C. W., Siu W. C. // J. Electron. Imaging. 2010. V. 19. № 1. Р. 013011. https://doi.org/10.1117/1.3358372Marr 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. PMID6102765.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