Nov, 2023

利用生物神经元属性的卷积神经网络

PDF
TL;DR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%）
artificial intelligencedeep neural networksbiological neuronslateral geniculate nucleuspush-pull combination of receptive fields
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

  • 卷积神经网络作为视觉系统模型：过去、现在和未来

    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

  • 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

  • 卷积神经网络简介

    本文简要介绍了卷积神经网络（CNN），讨论了最近发表的论文和开发这些出色的图像识别模型的新技术。CNN 主要用于解决难以处理的图像驱动的模式识别任务，并采用精确而简单的结构，为人工神经网络提供了一个简化方法。

    Nov, 2015

  • 通过架构特征推断卷积神经网络的准确性

    本研究提出了一种有利于评估不同卷积神经网络体系结构的系统性语言，该语言能够在训练前进行比较，本研究使用该语言在两个具体的基于计算机视觉的物理问题上，解决了事件顶点查找和强子多重性分类问题，同时提取了优化网络架构中的几个架构属性，使用机器学习模型对其进行了预测。

    Jan, 2020

  • 结合卷积神经网络的神经进化增强拓扑

    本文探索将神经进化算法应用于卷积神经网络拓扑结构优化，使用 Residual Networks 实现可变卷积神经网络拓扑结构，同时讨论如何对该系统进行优化以适应基于遗传算法的优化方法。

    Oct, 2022

  • 深度卷积神经网络最近的架构调查

    本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

    Jan, 2019

  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • 利用类人机制削弱人脸识别卷积神经网络中预训练权重偏差的影响

    卷积神经网络已被广泛应用和研究于不同领域，本研究通过迁移学习将四种经过广泛研究的卷积神经网络 (AlexNet、VGG11、VGG13 和 VGG16) 应用于情感价值分类任务，并将其性能与人类数据进行比较，结果显示这些卷积神经网络在某种程度上表现出类似于人类的表现，在基于神经科学和行为数据的注意力机制下，更新后的 FE-AlexNet 的性能优于其他测试的卷积神经网络，与人类感知紧密相似，从而更深入地揭示了这些卷积神经网络的计算机制。此研究还提供了通过人类数据更好地理解和改进卷积神经网络性能的新范式。

    Oct, 2023

  • 一种用遗传编程设计卷积神经网络体系结构的方法

    本文介绍了一种使用 Cartesian 遗传编程自动构建卷积神经网络结构的方法，并通过将其应用于 CIFAR-10 数据集的图像分类任务验证了该方法的有效性。

    Apr, 2017