高效視覺編碼: 從視網膜到 V2
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
该论文使用深度卷积神经网络预测 V1 神经元对自然图像的响应,发现有 15% 的神经元可以准确预测,并使用逆神经网络确定激发 V1 神经元的图像特征(接受野),其中包括预测高级纹理图像特征的神经元。
Jun, 2017
对于快速动物 vs 非动物分类任务,我们对不同阶段处理的视觉表示进行了分析,并发现人类的决策最符合中间阶段的预测结果。结果表明,人类可能依靠中等复杂度的视觉特征进行快速分类,并且现代深度网络模型所提供的视觉表示的复杂度可能超出人类在这种任务中使用的复杂度。
Jun, 2016
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
人类视觉系统使用两个并行通路进行空间处理和物体识别,而计算机视觉系统往往使用单一的前馈通路,导致其鲁棒性、适应性和效率低于人类视觉。为了弥补这一差距,我们开发了一种受人类眼睛和大脑启发的双流视觉模型,模拟人眼使用巨细胞和小细胞视网膜神经节细胞将视网膜输入分离到大脑的过程。通过对比人脑和模型处理同一视频的功能对齐性,我们发现 WhereCNN 和 WhatCNN 分支分别与视觉皮层的背侧和腹侧通路相匹配,主要因为它们的不同学习目标在视觉注意和物体识别中的显著差异。这种双流模型在脑启发的计算机视觉中迈出了进一步的步伐,使并行神经网络能够主动探索和理解视觉环境。
Oct, 2023
这项研究展示了高效预测计算从视觉系统的最早阶段开始,视网膜神经节细胞组可以有效地携带关于其视觉输入未来状态的信息,并且可以压缩到一定的极限,并被下游的预测神经元编码,并呈现有趣的特征选择性。
Jun, 2013
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
本研究用深度学习卷积神经网络尝试预测视神经系统中的神经元反应,结果显示,CNN 能学到视网膜电路的生物学组成,且这些特征可以显示为视网膜节细胞传统感受野的空间瓦片,为研究神经回路的结构奠定了基础。
Nov, 2017
视觉途径、视觉感知、视觉编码、神经假肢和计算模型是重要研究领域。该文章介绍了视觉感知的重要性,讨论了视觉信息编码和大脑中信息组织的机制,以及如何使用计算模型来实现神经假肢并提高对于视觉编码和自然视觉的理解。
Jan, 2024