生物限制的深度学习架构用于解释 V1 属性
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
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
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
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
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
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
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
研究表明,使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应,还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据,并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。
Aug, 2016
卷积神经网络是建模视觉皮质神经元转移函数的最先进方法。这篇论文发现,与参数匹配的标准卷积神经网络相比,非局部网络或自注意机制在整体调谐曲线相关性和调谐峰值这两个关键度量上可以提高神经响应预测,并且可通过分解网络确定每个上下文机制的相对贡献,揭示了局部感受野中的信息对于模拟整体调谐曲线最为重要,而周围信息对于表征调谐峰值至关重要;并且在学习过程中自注意力可以取代后续的空间整合卷积,与全连接输出层相结合,两种上下文机制相辅相成;最后,学习以接受感受野为中心的自注意模型,在逐步学习全连接输出之前,能够提供更具生物学现实性的中心 - 周围贡献的模型。
Jun, 2024