关于无意识视觉和人工智能的关系:综述
本文使用自我注意力瓶颈的人工智能智能体来研究看到事物的方法,该智能体通过选择性注意力获取只关注任务关键的视觉信息,解决了低参数化和在存在干扰时泛化能力不强的问题,可适用于视觉增强学习任务.
Mar, 2020
通过使用具有视觉和上下文输入的多模态模型 VISION,我们成功预测了人类大脑对自然图像的功能性磁共振成像(fMRI)扫描反应,其准确度超过了现有技术性能 45%,并揭示了不同视觉区域的表征偏差,生成了可实验检验的假设,并形成了可解释的指标将这些假设与皮层功能相关联,为设计和实现视觉皮层功能分析带来了降低成本和时间负担的可能性。通过计算模型的进化,我们的工作表明可能揭示出对视觉皮层的基本理解,并提供可靠的脑机接口的可行方法。
Sep, 2023
本文提出了神经视觉注意力算法(NeVA),并利用仿生视觉约束在神经网络上实现了类人的扫描路径生成。实验结果表明,该方法在类人扫描路径相似性方面优于现有无监督的人类注意力模型,同时可灵活地研究不同任务对视觉行为的影响,并在考虑不完美的视觉条件下的实际应用中表现出明显的优势。
Apr, 2022
该综述旨在通过研究神经科学和认知心理学的方法,为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展,但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中,以克服数据驱动的限制,并以更加接近人类智能的方式支持决策。本工作是一项纵向综述,试图广泛探索大脑功能的范围,包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念,如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。
Jan, 2024
通过对过去十年的研究进行系统调查,本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研,强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法,并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础,具有独特的范围。此外,该调查对于对数字性视网膜病感兴趣的研究人员,将作为一份有益的指南。
Nov, 2023
本文提出了一种新颖的方法来确定神经网络内部信息的结构,通过神经科学的切除技术(ablation),从生物学角度分析了几种神经网络架构,研究了生物神经网络和人造神经网络之间的重要相似之处,以寻找隐含在网络权重中的隐式知识。
Dec, 2018
本篇论文全面综述了现今人工神经网络中基于仿生学学习机制的表示,研究了加入更多仿生意义机制如突触可塑性以加强网络能力的可能性和挑战,并找到未来的研究方向,以更深入理解智能的本质。
May, 2023
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
研究了神经科学的机制对 AI 算法的发展具有重要价值,人工神经网络应该借鉴大脑神经元的学习方式,建立个性化的错误空间以预测更加准确的类别和特征,取得更好的迁移性能。
Jun, 2023
通过对认知科学和人工智能的比较研究,本文旨在以认知科学为基础构建基本的人工智能研究模块,并提供了一系列通过认知科学启发的人工智能方法,以开发更好的感知系统。
Oct, 2023