用于光变稳健卷积神经网络的前皮层模块
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。
Sep, 2018
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
本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论,提出一种深度卷积神经网络训练的优化策略,在基础级别物体分类的基础上训练亚目标级别分类,进而在小型数据集的迁移学习中取得了优秀的效果提升,证明本方法的可行性和有效性。
Nov, 2015
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
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
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
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
运用多任务学习方法使深度神经网络对图片失真有着较好的鲁棒性,研究结果表明,从灵长类的视觉皮层中提取归纳偏见,使神经网络更类似于人类视觉系统,提高了其在面对失真问题时的效率。
Jul, 2021