అర్షమ్ అబెదిని, అరేఫ్ మిరి మరియు అలిరెజా మలేకి
ఎడ్జ్ డిటెక్షన్ అనేది చాలా ఇమేజ్ ప్రాసెసింగ్ అప్లికేషన్‌లకు ఆధారం. కన్నీ ఆపరేటర్ వంటి ఎడ్జ్ డిటెక్షన్‌ని నిర్వహించడానికి వివిధ శాస్త్రీయ పద్ధతులు ఉన్నాయి. ఈ పద్ధతుల యొక్క ప్రధాన లోపం ఏమిటంటే అవి అనువైనవి కావు. ఇమేజ్ ప్రాసెసింగ్ అప్లికేషన్‌లో ఈ సౌలభ్యాన్ని అందించడానికి న్యూరాన్ మోడల్ ఆధారంగా పల్స్ కపుల్డ్ న్యూరల్ నెట్‌వర్క్ (PCNN) ప్రతిపాదించబడింది. ఆమోదయోగ్యమైన పనితీరును చేరుకోవడానికి వివిధ చిత్రాల కోసం సర్దుబాటు చేయగల అనేక పారామీటర్‌ల ఉనికి కారణంగా ఈ సౌలభ్యం ఏర్పడుతుంది. మరోవైపు, సమర్థవంతమైన పనితీరును చేరుకోవడం చాలా సవాలుగా ఉన్న ఈ పారామితులన్నింటినీ సరిగ్గా పేర్కొనడంపై ఆధారపడి ఉంటుంది. ఈ వాస్తవం కారణంగా, PCNN యొక్క సరళీకృత నమూనాలు ప్రదర్శించబడ్డాయి. ఈ కాగితంలో, సమర్థవంతమైన అంచు గుర్తింపును నిర్వహించడానికి మేము ఒక సరళీకృత నమూనా ఆధారంగా సమాంతర నిర్మాణాన్ని ప్రతిపాదిస్తాము. అలాగే మేము ఈ మోడల్ యొక్క పారామితులను స్వీయ అనుకూల పద్ధతిలో సెట్ చేసాము. అనుకరణ ఫలితాలలో, మేము మా ప్రతిపాదిత అల్గారిథమ్ యొక్క అంచు గుర్తింపు పనితీరును ఇతర పద్ధతులతో పోల్చాము. నాయిస్ క్యాన్సిలింగ్ మరియు ఎఫెక్టివ్ ఎడ్జ్ డిటెక్షన్ పరంగా మా అల్గారిథమ్ మెరుగైన పనితీరును కలిగి ఉందని ఈ ఫలితాలు చూపిస్తున్నాయి.
English 
Spanish 
Chinese 
Russian 
German 
French 
Japanese 
Portuguese 
Hindi