You are here

Home » Content

HAREKET ALGILAYICI FİLTRELER

MOTION SENSITIVE FILTERS

Journal Name:

  • Sigma Mühendislik ve Fen Bilimleri Dergisi

Publication Year:

  • 2009

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
Biological organisms excel at processing large amount of data in real time whereas computers usually are not good at such tasks. Thus a great deal of effort has been spent on the development of machines that mimic biological systems in computer vision. Such vision machines require the simple low-level feature detectors similar in that of the retina. It has been shown that active resistive diffusion networks offer a common framework for the implementation of the low-level feature detectors commonly used in vision. Cellular Neural Networks consist of regular arrays of simple processing units that interact with only their nearest neighbors. The CNN architecture bears striking resemblance to aforementioned biological organisms and they are tailor-made for analog VLSI implementations because of their nearest neighbor connections and usually space invariant connection weights. The scope of this study is motion detection via CNN architecture. There are three main methods of motion detection using CNN, namely Gabor type filters (frequency tuned filters), velocity tuned filters and time derivative CNN bandpass filters. All of these filters are analyzed and simulated in detail.
Bookmark/Search this post with
Abstract (Original Language): 
Biyolojik organizmalar yüksek miktarda veriyi gerçek zamanlı olarak işlemekte uzmanlaşmıştır ancak bilgisayarda aynı işlemleri yapmak oldukça zordur. Dolayısıyla bilgisayarda görme çalışmalarında biyolojik sistemleri taklit eden makineler geliştirilmesi yolunda büyük çaba sarf edilmiştir. Böyle görme makineleri retinadakine benzer temel düşük seviyeli özellik algılayıcılarına ihtiyaç duymaktadır. Aktif rezistif yayılma ağları olarak adlandırılan modelin bu temel seviyeli özellik algılayıcıların gerçekleştirilmesinde ortak bir yapı sunduğu literatürde gösterilmiştir. Hücresel sinir ağları (HSA), hücre olarak adlandırılan ve yalnızca en yakın komşularıyla haberleşen temel işlem birimlerinin uzayda düzgün dizilmesiyle oluşan bir ağ yapısıdır. HSA yapısı hem biyolojik organizmalara çok benzer bir yapıdadır hem de hücrelerin sadece en yakın komşularıyla bağlantılı olması ve her bir hücre için bağlantı ağırlıklarının genellikle konumla değişmemesi gibi nedenlerden ötürü analog VLSI gerçekleştirme için çok uygundur. Bu çalışmanın konusu HSA ile hareket algılama yapılarıdır. Literatürde bu konuda üç temel yöntem vardır. Bu yöntemler Gabor tipi filtreler (frekans ayarlı filtreler), hız ayarlı filtreler ve zaman türevli HSA bant geçiren filtrelerdir. Tüm bu filtreler ayrıntılı bir şekilde analiz edilmiş ve simülasyonları yapılmıştır.
FULL TEXT (PDF): 
PDF icon arastrmx_845_27_pp_275-285.pdf
  • 4
275-285
  • Turkish

REFERENCES

References: 

[1] Mead, C. A. ve Mahowald, M. A., “A Silicon Model Of Early Visual Processing”, Neural
Networks, 1:91-97, 1988.
[2] Mahowald, M. A. ve Mead, C., “The Silicon Retina”, Scientific American, 264(5):76-82,
1991.
[3] Andreou, A. G., Strohbehn, K. ve Jenkins R. E., “Silicon Retina For Motion
Computation”. Proc. IEEE International symposium on circuits and systems, June 1991,
Singapore.
[4] Andreou, A. G., Boahen, K. A., Pouliquen, P. O., Pavasovic, A., Jenkins, R. E. ve.
Strohbehn, K, “Current-mode subthreshold MOS circuits for analog VLSI neural
systems” IEEE Transactions on Neural Networks, 2(2):205-213, 1991.
[5] Andreou, A. G., Meitzler, R. C., Strohbhen, K. ve Boahen K. A., “Analog VLSI
neuromorphic image acquisition and pre-processing systems”, Neural Networks,
8(7):1323-1347, 1995.
[6] Boahen, K., “Retinomorphic Chips That See Quadruple Images” Seventh International
Conference On Microelectronics For Neural, Fuzzy, And Bio-Inspired Systems, April
1999 12-20, Granada, Spain, 1999.
[7] Torralba, A. B. ve Herault, J., “An Efficient Neuromorphic Analog Network For Motion
Estimation”, IEEE Trans. on circuits and systems-I: special issue on bio-inspired
processors and CNNs for vision, 46(2) pp:269-280, 1999
[8] Torralba, A. B. ve Herault, J., “Asymmetrical Filters For Vision Chips: A Basis For The
Design Of Large Sets Of Spatial And Spatiotemporal Filters”, Seventh International
Conference on Microelectronics for Neural, Fuzzy, and Bio-Inspired Systems, April 1999,
Granada, Spain, 1999.
[9] Shi, B. E. ve Chua, L. O., “Resistive Grid Image Filtering: An Input/Output Analysis Via
The CNN Framework”, IEEE Trans. On Circuits And Systems-I, 39(7):531-548, 1992.
[10] Koch, C., Luo, J. ve Mead, C., “Computing Motion Using Analog Binary Resistive
Networks”, Computer, 52-63, 1988.
[11] Chua, L. O. ve Yang, L., “Cellular Neural Networks: Theory”, IEEE Transactions on
Circuits and Systems, 35:1257-1272, 1988.
[12] Chua, L. O. ve Yang, L., “Cellular Neural Networks: Applications”, IEEE Transactions
on Circuits and Systems, 35:1273-1290, 1988.
[13] Shi, B. E., Roska T. ve Chua, L. O., “Design Of Linear Cellular Neural Networks For
Motion Sensitive Filtering”, IEEE Trans. on Circuits and Systems-II, 40(5):320-331,
1993.
[14] Shi, B. E.,“Gabor-Type Filtering In Space And Time With Cellular Neural Networks”,
IEEE Trans. On Circuits and Systems-I, 45(2):121-132, 1998
[15] Ip, H. M. D., Drakakis, E. M., ve Bharath, A. A., “Towards Analog VLSI Arrays For
Nonseparable 3d Spatiotemporal Filtering,” Proceedings of the 10th IEEE International
Workshop on Cellular Neural Networks and their Applications, İstanbul, Turkey, 2006.
[16] Ip, H. M. D., Drakakis, E. M., ve Bharath, A. A., “On Analog Networks and MixedDomain Spatio-Temporal Frequency Response”, IEEE Transactions on Circuits and
Systems I: Regular Papers, 55(1): 284-297, 2008.
[17] Ip, H. M. D., Drakakis, E. M., ve Bharath, A. A., “Synthesis of Non-separable 3D
Spatiotemporal Bandpass Filters on Analog Networks”, IEEE Transactions on Circuits
and Systems I: Regular Papers, 55(1): 298-310, 2008.

Thank you for copying data from http://www.arastirmax.com