感觉器官群体中的预测信息
本文提出了一种基于改进的 RICA 模型的新方法,通过使用 sPCA 算法,模拟了人类视觉处理中不同层级的感受野,可以帮助理解人类视觉的功能和实现计算机视觉的研究。
Dec, 2013
通过对感知神经元输入输出映射建模的深度前馈神经网络提出新的计算机制提取系统方法,将此方法应用于视网膜深层网络模型。研究揭示了视网膜的预测特征提取以及各种时空刺激下信号偏离期望的计算机制,为神经科学深度学习研究提供了 新的理论基础和研究方向。
Dec, 2019
通过使用深度卷积神经网络模型,本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式,并预测小型脊椎动物的视网膜应执行非线性的特征检测计算,而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。
Jan, 2019
从数据中学习可解释的基于图的分类器以预测视觉刺激下的节细胞发射;通过学习正半定 (PSD) 距离矩阵来定义图节点 (视觉事件) 之间的马氏距离,从而导出边权和可进行二元分类的组合图;通过图的半定规划来优化距离矩阵的目标,结合 Gershgorin 圆盘理论和线性化的 Gershgorin 圆盘完美对齐法高效求解;学习到的距离矩阵提供了可解释性,重要特征通过对角线确定并可以从非对角线元素推断出相互关系;该快速度量学习框架适用于其他需要解释的预选特征的生物系统。
Jan, 2024
我们通过计算方法研究了视觉注意力的生物学基础,分析了小鼠的视网膜和皮层电生理数据,结果显示在 V1 中约 10% 的神经元对显著和非显著的视觉区域有不同的响应,视觉注意力信息在视网膜反应中并未被追踪到,似乎视网膜对视觉注意力仍然是个陌生的概念,而皮层反应会被调节以解释视觉注意力信息;我们的研究为改进视觉假体系统的设计(这类系统通过植入于视网膜或皮层的电子植入物为视力受损者创造人工视觉感知)做出了贡献。
Aug, 2023
本研究采用时间分辨脑成像和深度学习的方法,探究人脑视觉处理的层次动态及信息流向,结果表明,回归深度神经网络模型比参数匹配前馈模型更能准确捕捉人脑视觉处理的多区域功能
Mar, 2019
视觉被广泛理解为一个推理问题。本文介绍了两种对推理过程的对立概念,分别对生物视觉和机器视觉工程有影响。视觉可以被描述为一种主要是前馈式、区分式的推理过程,通过滤除视觉信息中的无关变化并以适合于认知和行为控制下游功能的格式来表示行为上相关的信息,由感官数据驱动,并且感知是直接的。另一种推理的概念是赫姆霍兹的观点,即视觉是通过对引起视觉的因果过程的生成模型进行证据评估的推理过程。原始证据通过对感觉数据的自上而下的预测来调查其可信度。作者包括科学家根植于这两种概念,并积极尝试克服它们之间可能是错误的二元对立,并在理论和实验证据上探讨另一种视角。灵长类动物大脑采用一种未知的算法,可能结合了这两种概念的优势。我们解释和阐明术语,回顾关键的实验证据,并提出了一个超越二元对立的实证研究计划,为揭示灵长类动物视觉的神秘混合算法铺平了道路。
Jan, 2024
本文介绍了一种新型的神经网络模型,它受到了流行的预测编码理论的启发,并结合了不同层次脑皮层以不同的频率振荡的理论。模型由一系列循环和卷积单元组成,上下两层流形式。该模型表现出更好的紧凑度和与现有作品相当的预测性能,表明较低的计算成本和更高的预测准确性。
Aug, 2022