• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

一种用于数据高效深度学习的空间可变视觉通路模型。

A Space-Variant Visual Pathway Model for Data Efficient Deep Learning.

作者信息

Ozimek Piotr, Hristozova Nina, Balog Lorinc, Siebert Jan Paul

机构信息

Computer Vision for Autonomous Systems Group, School of Computing Science, University of Glasgow, Glasgow, United Kingdom.

出版信息

Front Cell Neurosci. 2019 Mar 26;13:36. doi: 10.3389/fncel.2019.00036. eCollection 2019.

DOI:10.3389/fncel.2019.00036
PMID:30971891
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC6444208/
Abstract

We present an investigation into adopting a model of the retino-cortical mapping, found in biological visual systems, to improve the efficiency of image analysis using Deep Convolutional Neural Nets (DCNNs) in the context of robot vision and egocentric perception systems. This work has now enabled DCNNs to process input images approaching in size, , using only consumer grade graphics processor (GPU) hardware .

摘要

我们展示了一项关于采用生物视觉系统中发现的视网膜-皮质映射模型的研究，目的是在机器人视觉和自我中心感知系统的背景下，利用深度卷积神经网络（DCNN）提高图像分析的效率。这项工作现已使DCNN能够仅使用消费级图形处理器（GPU）硬件来处理尺寸接近 的输入图像。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/b4172e97491f/fncel-13-00036-g0013.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/70eb78c492a7/fncel-13-00036-g0001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/36adafca7ea5/fncel-13-00036-g0002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/f483bb6a1648/fncel-13-00036-g0003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/a9ff658a1f1a/fncel-13-00036-g0004.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/175295608620/fncel-13-00036-g0005.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/1ed1980d8018/fncel-13-00036-g0006.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/8442a678e3aa/fncel-13-00036-g0007.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/0f68b1ea6314/fncel-13-00036-g0008.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/571e2c9e315c/fncel-13-00036-g0009.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/2850669a144b/fncel-13-00036-g0010.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/cd6c078f5887/fncel-13-00036-g0011.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/375474eebbbc/fncel-13-00036-g0012.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/b4172e97491f/fncel-13-00036-g0013.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/70eb78c492a7/fncel-13-00036-g0001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/36adafca7ea5/fncel-13-00036-g0002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/f483bb6a1648/fncel-13-00036-g0003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/a9ff658a1f1a/fncel-13-00036-g0004.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/175295608620/fncel-13-00036-g0005.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/1ed1980d8018/fncel-13-00036-g0006.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/8442a678e3aa/fncel-13-00036-g0007.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/0f68b1ea6314/fncel-13-00036-g0008.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/571e2c9e315c/fncel-13-00036-g0009.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/2850669a144b/fncel-13-00036-g0010.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/cd6c078f5887/fncel-13-00036-g0011.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/375474eebbbc/fncel-13-00036-g0012.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/24da/6444208/b4172e97491f/fncel-13-00036-g0013.jpg

相似文献

1
A Space-Variant Visual Pathway Model for Data Efficient Deep Learning.一种用于数据高效深度学习的空间可变视觉通路模型。
Front Cell Neurosci. 2019 Mar 26;13:36. doi: 10.3389/fncel.2019.00036. eCollection 2019.
2
Biologically Inspired Deep Learning Model for Efficient Foveal-Peripheral Vision.用于高效中央凹-周边视觉的生物启发式深度学习模型
Front Comput Neurosci. 2021 Nov 22;15:746204. doi: 10.3389/fncom.2021.746204. eCollection 2021.
3
MR-based synthetic CT generation using a deep convolutional neural network method.基于磁共振成像利用深度卷积神经网络方法生成合成CT图像
Med Phys. 2017 Apr;44(4):1408-1419. doi: 10.1002/mp.12155. Epub 2017 Mar 21.
4
How lateral inhibition and fast retinogeniculo-cortical oscillations create vision: A new hypothesis.侧向抑制和快速视网膜-膝状体-皮质振荡如何产生视觉：一个新假说。
Med Hypotheses. 2016 Nov;96:20-29. doi: 10.1016/j.mehy.2016.09.015. Epub 2016 Sep 22.
5
Face Space Representations in Deep Convolutional Neural Networks.深度卷积神经网络中的人脸空间表示。
Trends Cogn Sci. 2018 Sep;22(9):794-809. doi: 10.1016/j.tics.2018.06.006. Epub 2018 Aug 7.
6
Deep convolutional networks do not classify based on global object shape.深度卷积网络不是基于全局物体形状进行分类的。
PLoS Comput Biol. 2018 Dec 7;14(12):e1006613. doi: 10.1371/journal.pcbi.1006613. eCollection 2018 Dec.
7
Automated pectoral muscle identification on MLO-view mammograms: Comparison of deep neural network to conventional computer vision.基于 MLO 视图的乳腺钼靶片中自动胸大肌识别：深度神经网络与传统计算机视觉的比较。
Med Phys. 2019 May;46(5):2103-2114. doi: 10.1002/mp.13451. Epub 2019 Mar 12.
8
Medical image classification using synergic deep learning.基于协同深度学习的医学图像分类。
Med Image Anal. 2019 May;54:10-19. doi: 10.1016/j.media.2019.02.010. Epub 2019 Feb 18.
9
Disrupted visual input unveils the computational details of artificial neural networks for face perception.视觉输入的中断揭示了用于面部感知的人工神经网络的计算细节。
Front Comput Neurosci. 2022 Nov 29;16:1054421. doi: 10.3389/fncom.2022.1054421. eCollection 2022.
10
Real-time surgical instrument detection in robot-assisted surgery using a convolutional neural network cascade.使用卷积神经网络级联在机器人辅助手术中进行实时手术器械检测
Healthc Technol Lett. 2019 Nov 26;6(6):275-279. doi: 10.1049/htl.2019.0064. eCollection 2019 Dec.

引用本文的文献

1
Biologically Inspired Deep Learning Model for Efficient Foveal-Peripheral Vision.用于高效中央凹-周边视觉的生物启发式深度学习模型
Front Comput Neurosci. 2021 Nov 22;15:746204. doi: 10.3389/fncom.2021.746204. eCollection 2021.

本文引用的文献

1
DeepFix: A Fully Convolutional Neural Network for Predicting Human Eye Fixations.DeepFix：一种用于预测人眼注视点的全卷积神经网络。
IEEE Trans Image Process. 2017 Sep;26(9):4446-4456. doi: 10.1109/TIP.2017.2710620.
2
The organization of the cone photoreceptor mosaic measured in the living human retina.在活体人类视网膜中测量的视锥光感受器镶嵌结构的组织。
Vision Res. 2017 Mar;132:34-44. doi: 10.1016/j.visres.2016.06.006. Epub 2016 Aug 3.
3
Combination of texture and color cues in visual segmentation.视觉分割中纹理与颜色线索的结合
Vision Res. 2012 Apr;58:59-67. doi: 10.1016/j.visres.2012.01.019. Epub 2012 Feb 24.
4
Color in the cortex: single- and double-opponent cells.皮层中的颜色：单拮抗细胞和双拮抗细胞。
Vision Res. 2011 Apr 13;51(7):701-17. doi: 10.1016/j.visres.2011.02.012. Epub 2011 Feb 17.
5
Retinal adaptation to object motion.视网膜对物体运动的适应。
Neuron. 2007 Nov 21;56(4):689-700. doi: 10.1016/j.neuron.2007.09.030.
6
Segregation of object and background motion in the retina.视网膜中物体运动与背景运动的分离。
Nature. 2003 May 22;423(6938):401-8. doi: 10.1038/nature01652. Epub 2003 May 11.
7
Self-similar Neural Networks Based on a Kohonen Learning Rule.
Neural Netw. 1996 Jul;9(5):747-763. doi: 10.1016/0893-6080(95)00077-1.
8
Computational anatomy and functional architecture of striate cortex: a spatial mapping approach to perceptual coding.纹状皮层的计算解剖学与功能结构：一种用于感知编码的空间映射方法。
Vision Res. 1980;20(8):645-69. doi: 10.1016/0042-6989(80)90090-5.
9
Cortical anatomy, size invariance, and spatial frequency analysis.
Perception. 1981;10(4):455-68. doi: 10.1068/p100455.
10
Spectral consequences of photoreceptor sampling in the rhesus retina.
Science. 1983 Jul 22;221(4608):382-5. doi: 10.1126/science.6867716.