TSOM: Small Object Motion Detection Neural Network Inspired by Avian Visual Circuit

从高空俯视角度检测复杂背景中的小运动物体对于机器视觉系统而言是一项极具挑战性的任务。受自然启发，鸟类视觉系统能够处理各种复杂的空中场景中的运动信息，其视网膜-外膝体-红疣体（Retina-OT-Rt）视觉电路对从高空捕捉小物体的运动信息具有高度敏感性。然而，基于鸟类视觉系统的小物体运动检测算法还需要更多的研究。本文基于对Retina-OT-Rt视觉电路生物机制的广泛研究，进行了数学建模。在此基础上，我们提出了一种新颖的小脑室小物体运动检测神经网络（TSOM）。神经网络包括视网膜、SGC树突、SGC细胞体和Rt层，每层对应于视觉通路中的神经元。视网膜层负责准确投射输入内容，SGC树突层感知和编码时空信息，SGC细胞体层计算复杂的运动信息并提取小物体，Rt层从多个方向集成和解码运动信息以确定小物体的位置。对鸽子神经生理实验和图像序列数据的广泛实验表明，TSOM在从复杂高空背景中提取可靠的小物体运动特征方面具有生物学可解释性和有效性。

如何借鉴鸟类视觉系统的特点，解决机器视觉系统在高海拔复杂背景下对小运动物体的检测问题？

提出了一种基于鸟类视觉系统的小物体运动检测神经网络（TSOM），包括视网膜层、SGC树突层、SGC细胞体层和Rt层，利用神经元的不同层次分别处理输入、感知、编码、计算和提取关键信息。

论文在鸽子神经生理实验和图像序列数据上进行了大量实验，证明了TSOM在从复杂高海拔背景中提取可靠的小物体运动特征方面具有生物学可解释性和有效性。

近期的相关研究包括基于深度学习的目标检测方法、利用机器学习算法提高小物体运动检测的准确性等。相关论文包括《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》、《Small Object Detection Using Context and Attention》等。