离心率依赖性皮层放大的计算作用
探索如何构建高性能视觉编码模型以预测脑活动,通过研究功能性磁共振成像(fMRI)数据中的视觉模型参数大小和样本量对预测准确性的影响,结果表明增加训练集样本量和视觉模型参数大小能够提高预测准确性,从而更好地理解视觉神经科学。
Aug, 2023
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
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
FOVEA 是一种基于人眼视觉特点,通过可微分的重采样层对高分辨率图像进行智能降采样,保证感兴趣区域的像素不会丢失,在自动驾驶数据集 Argoverse-HD 和 BDD100K 上,能够提升小物体检测的准确率而不降低大物体的准确率,并创造了流媒体 AP(同时考虑准确性和延迟)的新记录。
Aug, 2021
训练在自然图像上的稀疏编码算法能够准确预测视觉皮层神经元所激发的特征,但不确定是否可以使用生物学真实的可塑性规则来学习这些代码。我们开发了一种生物物理模型的尖峰网络,仅依靠突触局部信息就能预测自然图像上 V1 简单细胞感受野的全部多样性形状,这是首次证明,稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。我们进一步证明,稀疏性和去相关是允许突触局部可塑性规则优化神经表达形成的合作线性生成图像模型的关键因素。最后,我们讨论了我们的网络的几个有趣的新兴属性,以期弥合视觉皮层的理论和实验研究之间的差距。
Sep, 2011
在这篇论文中,我们提出了一种自动编码器架构(WLSC),其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类,生成了一组多样的人工感受野,与 V1 的灵长类动物数据具有相近的一致性,而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化,即我们为之后的皮质阶段引入了弱的聚类偏差,这是已知的功能性和空间分离(即拓扑)发生的地方。这些结果表明,在对 V1 及其之后的特征分离进行描述时,对感受野和放电率进行空间正则化至关重要。
Nov, 2023
本文提出了一种基于人眼视觉的全景 - 中央凹多尺度驾驶模型,通过预测司机注视点的位置来改进驾驶性能,实现了在行人所涉及的危急情况下驾驶准确度的显著提高。
Mar, 2019
本研究使用大规模的钙成像与深度学习方法,研究了灵长类视觉 V4 区域能否处理自然图像,并得到了 V4 区域自然刺激偏好的详细拓扑地图。该地图包含了一系列自然图像特征,从表面特征例如颜色和纹理到形状特征例如边缘、曲率和面部特征。
Jul, 2023