NIPSNov, 2017

利用深度学习网络揭示视网膜的结构组成

PDF
TL;DR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。
convolutional neural networksvisual object classificationneuronal circuitsretinal ganglion cellselectrophysiological recordings
发现论文，激发创造
  • 深度学习模型对自然场景的视网膜反应

    本文主要研究使用深度卷积神经网络模型对视网膜对自然场景的反应进行建模，发现其能够准确地描述神经电路对自然刺激的反应，并探究了卷积神经网络模型的内在结构和功能特点，在数据量少、样本分布不同等情况下表现较优，有助于从神经电路的角度解析神经科学中的计算问题。

    Feb, 2017

  • 从视网膜到皮层的早期视觉表征的统一理论：基于解剖约束深度卷积神经网络

    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

  • 从深度学习到神经科学的机械理解：视网膜预测的结构

    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

  • 利用生物神经元属性的卷积神经网络

    通过结合生物神经元原理，使用基于神经科学的计算模型来增强训练效率和提高准确性，以推动组合感受野模型作为卷积神经网络的基础层，从而在 CIFAR-10、CIFAR-100 和 ImageNet-100 数据集上实现性能显著提升（平均提升 5%-10%）

    Nov, 2023

  • 卷积神经网络作为视觉系统模型：过去、现在和未来

    本综述介绍了卷积神经网络（CNN）在计算神经科学中作为良好模型的特征，以及这些模型如何在理解和实验生物视觉方面提供启示，并讨论了在基本物体识别之外的视觉研究中使用 CNN 的新兴机会。

    Jan, 2020

  • 生物限制的深度学习架构用于解释 V1 属性

    我们将神经科学构建的结构组件系统地纳入卷积神经网络，以解释 V1 神经活动和调谐特性，结果证实这些神经科学构建的结构组件可以使 CNN 更好地模拟 V1 神经活动和调谐特性。

    May, 2023

  • 糖尿病性视网膜病变灶的弱监督定位在眼底图像中的应用

    本文研究使用卷积神经网络对糖尿病视网膜病变进行图像级别的诊断，证明其在医学影像分析方面具有较高准确度。

    Jun, 2017

  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • 基于深度卷积网络的糖尿病视网膜病变检测：鉴别定位和视觉解释

    我们提出了一种深度学习的方法来解释糖尿病视网膜病变（DR）的检测，该方法通过在卷积神经网络（CNN）的全局平均池化层之后添加回归激活映射（RAM）来实现可视化解释的特征。在使用 RAM 的情况下，该模型可以将视网膜图像的判别区域定位到显示感兴趣的特定区域，进而显示其疾病程度。在对大规模视网膜图像数据集进行实验的过程中，我们表明所提出的 CNN 模型与现有最先进技术相比，可以在 DR 检测上实现高性能，同时提供 RAM 突出显示输入图像的显著区域。

    Mar, 2017

  • 用于光变稳健卷积神经网络的前皮层模块

    研究发现，在哺乳动物的低级视觉通路中，加入一种基于前皮层神经元回路的卷积模块可以显著提高卷积神经网络的鲁棒性。

    Feb, 2022