Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Show HN

Show HN: Mi algoritmo compacto y distribuido de detección de bordes inspirado en la biología

Un desarrollador presenta HaCI (Harmonic Contour Integration), un algoritmo de detección de bordes inspirado en la corteza visual. Según el autor, sus resultados quedan a medio camino entre Canny o Sobel y las redes profundas modernas, y conserva la interpretabilidad de los primeros.

Foto: vía github.com

Leer el artículo aquíArtículo original (github.com) 1 comentarios en Hacker News

Escucha la noticia3 min

El autor publicó una versión preliminar hace un par de meses y la ha ido mejorando desde entonces. Planea seguir desarrollándola para casos de uso posteriores, quizá mejorando los fotogramas por segundo en vídeo y el rendimiento en distintos tipos de hardware. Busca colaboradores: ingenieros interesados en frameworks de visión por computador o sistemas distribuidos, y académicos que sigan esta línea de investigación. Su correo figura en el README.

El repositorio describe un algoritmo completamente distribuido que extrae bordes de imágenes RGB en cuatro etapas. La primera (L0) compara cada píxel con sus ocho vecinos en una métrica aprendida de luminancia y croma, y divide cada contraste por su propia energía más un agrupamiento espacial aprendido del contraste local (control de ganancia por contraste). La segunda (L1) suma esos armónicos en parches pequeños y solapados sobre una cuadrícula dispersa de celdas; cada celda obtiene ocho respuestas sintonizadas por orientación y una orientación dominante θ.

La etapa «Seed» aplica control de ganancia Naka–Rushton a cada respuesta y usa un campo de asociación con tolerancia de curvatura aprendida para reforzar contornos y tender puentes sobre huecos con apoyo a ambos lados. Una lectura divisiva compara cada orientación con la misma orientación en las celdas vecinas, y la supresión de flancos atenúa texturas y rejillas sin tocar un borde aislado. El resultado es una densidad de contorno ρ por celda. Por último, «Render» proyecta ρ de vuelta a resolución completa con núcleos 1D aprendidos y alineados con θ, y la supresión de no máximos da el mapa final de bordes.

Con los pesos preentrenados incluidos, sobre el conjunto de test de BRIND (200 imágenes; el modelo se entrenó con las 300 del conjunto de entrenamiento), el mapa adelgazado con NMS obtiene ODS 0,7179, OIS 0,7402 y AP 0,7651; el mapa suave sin adelgazar, ODS 0,7158, OIS 0,7373 y AP 0,6723. En una Apple M4 con MPS, procesa una imagen de 481×321 en 36 ms, una de 1280×720 en 201 ms y una de 1920×1080 en 459 ms. El código, en Python 3.12+ con PyTorch, incluye scripts de entrenamiento, test e inferencia, soporte para CUDA, MPS (con kernels Metal propios) y CPU, y scripts para BRIND, BIPED y NYUDv2. Hay además un artículo con DOI en Zenodo.

En Hacker News

«Show HN: My compact, bio inspired distributed edge detection algorithm» · puesto 26 · 19 puntos · enviado por RenderBear

Lo que dicen los comentarios

El post aún no tiene comentarios, así que no hay conversación que resumir.

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.