[Back]

Z. Babaiee, R. Hasani, M. Lechner, D. Rus, R. Grosu:
"On-Off Center-Surround Receptive Fields for Accurate and Robust Image Classification";
Poster: 2021 International Conference on Machine Learning (ICML), Virtual; 2021-07-18 - 2021-07-24; in: "International Conference on Machine Learning", Proceedings of Machine Learning Research, Volume 139, Virtual (2021), 478 - 489.

Robustness to variations in lighting conditions is a key objective for any deep vision system. To this end, our paper extends the receptive field of convolutional neural networks with two residual components, ubiquitous in the visual processing system of vertebrates: On-center and off-center pathways, with an excitatory center and inhibitory surround; OOCS for short. The On-center pathway is excited by the presence of a light stimulus in its center, but not in its surround, whereas the Off-center pathway is excited by the absence of a light stimulus in its center, but not in its surround. We design OOCS pathways via a difference of Gaussians, with their variance computed analytically from the size of the receptive fields. OOCS pathways complement each other in their response to light stimuli, ensuring this way a strong edge-detection capability, and as a result an accurate and robust inference under challenging lighting conditions. We provide extensive empirical evidence showing that networks supplied with OOCS pathways gain accuracy and illumination-robustness from the novel edge representation, compared to other baselines.

Robustheit gegenüber unterschiedlichen Lichtverhältnissen ist ein wichtiges Ziel jedes Deep-Vision-Systems. Zu diesem Zweck erweitert unsere Arbeit das rezeptive Feld der konvolutionellen neuronalen Netze um zwei Restkomponenten, die im visuellen Verarbeitungssystem von Wirbeltieren allgegenwärtig sind: On-Center- und Off-Center-Wege, mit einem exzitatorischen Zentrum und einer hemmenden Umgebung; kurz OOCS. Der On-Center-Pfad wird durch das Vorhandensein eines Lichtreizes in seinem Zentrum, aber nicht in seiner Umgebung angeregt, während der Off-Center-Pfad durch das Fehlen eines Lichtreizes in seinem Zentrum, aber nicht in seiner Umgebung, angeregt wird. Wir entwerfen OOCS-Pfade über eine Differenz von Gaussianern, deren Varianz analytisch aus der Größe der rezeptiven Felder berechnet wird. OOCS-Pfade ergänzen sich in ihrer Reaktion auf Lichtreize und gewährleisten auf diese Weise eine starke Kantenerkennung und damit eine genaue und robuste Inferenz unter schwierigen Lichtverhältnissen. Wir liefern umfangreiche empirische Beweise, die zeigen, dass Netzwerke, die mit OOCS-Pfade versorgt werden, durch die neuartige Kantendarstellung im Vergleich zu anderen Basislinien an Genauigkeit und Beleuchtungsrobustheit gewinnen.

Deep learning, bio-inspired learning, CNN

http://proceedings.mlr.press/v139/babaiee21a/babaiee21a.pdf