Dec, 2019

从深度学习到神经科学的机械理解：视网膜预测的结构

PDF
TL;DR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。
deep neural networksneuroscienceretinacomputational mechanismspredictive capabilities
发现论文，激发创造
  • 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

  • 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

  • 神经网络的生理机制可解释性

    比较神经网络和生物电路之间的相似和不同，研究探讨了从生物学的行为和可理解的理由中深入了解神经网络从数据中学习的见解。

    Mar, 2022

  • 需要使用复现来捕获人类视觉系统的表现动态

    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

  • 使用大型模型对深度视觉神经元进行自动化自然语言解释

    通过研究神经元来解释深度神经网络并生成语义解释，以解决目前在此方面的限制、缺乏可伸缩性和适用性的问题。

    Oct, 2023

  • 低光图像恢复的仿生简单神经网络：一种极简主义方法

    本文中，我们提出了一种受视网膜模型启发的神经网络，可以高效地恢复低光图像，并通过直接模拟视网膜神经元的功能来构建特定的生物神经学组织的人工版本。从主观感知的角度来看，我们的模型达到了与复杂的深度学习模型相似的效果，并且相对于传统的信号处理模型减少了计算开销。

    May, 2023

  • 系统神经科学的目标驱动方法

    我们提供了一个新的可解释性定义，展示了产生神经回路响应特性的演化约束，并展示了该框架在多个脑区和物种中研究循环处理在灵长类动物腹侧视觉通路，小鼠视觉处理，啮齿动物介董皮质的异质性以及促进生物学学习的作用。

    Nov, 2023

  • 深度学习与神经科学的集成

    本文考虑在神经科学和机器学习之间建立联系，提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为，其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储，作者提出了未来神经科学试图改进和检验这些假设的方向。

    Jun, 2016

  • 深度学习用于视觉神经假肢

    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