Sep, 2018

初级视皮层旋转等变卷积神经网络模型

PDF
TL;DR本文研究了鼠视觉皮层神经元的处理方式，通过使用旋转等价卷积神经网络提取共性特征并与传统模型进行比较，发现传统线性 - 非线性模型存在不足，但卷积神经网络能够更加准确地预测自然刺激下神经元的反应，且 V1 神经元存在一些与传统 Gabor 过滤器不同的共性特征，这对研究 V1 中的非线性计算具有重要意义。
发现论文，激发创造
  • 利用深度学习揭示初级视皮层图像的神经编码

    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

  • 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

  • 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

  • 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

  • 提升具有类 V1 前端的 CNN 的鲁棒性需要匹配 V1 的神经表征

    在具有卷积神经网络的目标识别方面取得了巨大成功的同时，它们难以辨识出带有不同类型常见噪音模式的图像中的对象。最近的一项研究表明，在模拟 CNN 前端的早期视觉区域中的计算将提高对图像破坏的鲁棒性，本文进一步探讨了这一结果，并显示精确匹配灵长类 V1 区中发现的 RF 特性分布所产生的神经元表示对于这种鲁棒性改进至关重要。我们构建了两种变体的模型，其中前端模型模拟了灵长类的视觉皮层（V1）：一种是均匀采样 RF 特性，另一种是采样自生物实验分布。具有生物采样的模型对图像破坏具有较高的鲁棒性（相对差异为 8.72%）。虽然两个变体之间的类似神经元亚种群具有相似的响应特性，并学习相似的下游权重，但对下游处理的影响却截然不同。这个结果揭示了一些仿生模型鲁棒性改进的原因，指向了精确模仿在灵长类大脑中发现的神经元表示的必要性。

    Oct, 2023

  • 利用旋转等变卷积神经网络实现高精度超大尺度土地覆盖分类

    本文提出了一种卷积神经网络的结构 RotEqNet，该结构能够通过旋转卷积操作和向量场编码等方法实现对遥感图像中同一对象不同方向的识别，提高了识别准确率并大幅度减少了参数数量。

    Mar, 2018

  • 利用深度学习网络揭示视网膜的结构组成

    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

  • 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

  • CubeNet: 三维旋转和平移等变性

    介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

    Apr, 2018

  • 大规模神经系统识别：分离 “何时” 和 “何地” 信息

    提出了一种卷积神经网络 (CNN) sparse 的架构，可扩展到数千个神经元和短期记录，可以端到端地训练，从而克服了 CNN 拟合神经数据中感受野位置估计的主要瓶颈，该模型的表现优于现有的小鼠初级视皮层系统识别模型。

    Nov, 2017