Dec, 2023

探索阿尔茨海默病小鼠中的新型物体识别和自发位置识别机器学习分析技术

PDF
TL;DR本研究致力于开发、应用和评估一种最先进的计算流程，用于分析小鼠的对象识别模式，特别关注新颖对象识别和自发位置识别任务，并集成了 Any-Maze、DeepLabCut 和卷积神经网络等三种先进的计算模型来进行行为分类。该流程在四组不同的小鼠中应用，并展示了高准确性和稳健性。尽管存在视频质量限制和手动计算的需求等挑战，但结果肯定了该计算流程的效力和可扩展性，并证明了这种多维计算方法在行为神经科学中的潜力及其对未来更复杂分析的适应性。
发现论文，激发创造
  • BrainSLAM：神经群体活动数据上的 SLAM

    使用大鼠的神经活动数据，通过从大脑记录的局部场电位数据中解码速度和熟悉度信息，并利用 RatSLAM 启发的体系结构构建了空间地图的方法，将 SLAM 算法扩展至新的模态，从而促进了对认知地图在导航和决策中的作用的更好理解。

    Feb, 2024

  • 预测阿尔茨海默病：一项基于三维卷积神经网络的神经影像学研究

    本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

    Feb, 2015

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    Mar, 2024

  • 基于视觉的小猪新颖性偏好行为识别

    利用深度学习模型对 “Pig Novelty Preference Behavior”（PNPB）数据集进行状态识别，其精度达到了 93％的准确度和 96％的平均精度，将深度学习引入到行为评分中，是提高领域特定度量的关键技术之一。

    Jun, 2021

  • 一种用于视觉场所识别的混合紧凑型神经结构

    本文提出了一种将视觉场所识别模型与动力学神经网络相结合的新模型，利用两种分类的神经模型 FlyNet 和 CANN 实现了高性能和紧凑性，相较于 SeqSLAM、Multi-Process Fusion 和 LoST-X 方法，该模型在两个真实世界数据集上表现优异，可以在日夜转换下获得 87％的 AUC 结果，速度分别比较三种算法快 6.5 倍，310 倍和 1.5 倍。

    Oct, 2019

  • 自然语言对象检索

    本文提出了一种基于 SCRC 模型来实现自然语言对象检索的方法，利用空间配置和全局场景级上下文信息对网络进行评分，通过循环网络处理查询文本、本地图像描述符、空间配置以及全局上下文特征来输出概率，实现了从图像标题到任务的视觉语言知识的转移，实验结果表明我们的模型有效地利用了局部和全局信息，在不同数据集和场景中显著优于先前的基准方法，并可以利用大规模的视觉和语言数据集进行知识转移。

    Nov, 2015

  • 一种基于上下文感知的端到端自然语言对象检索方法

    本文介绍一种通过深度强化学习的方式，结合空间和时间情境及自然语言先验知识，移动和重塑边界框以定位描述中的物体，从而实现自然语言目标检索任务。作者实验表明，该方法在多个数据集上均优于现有算法，特别在 ReferItGame 数据集上，该方法相比 GroundeR 和 SCRC 的准确率分别提高了 7.67％和 18.25％。

    Mar, 2017

  • 深度强化学习目标检测

    本文介绍了一种基于深度强化学习的主动目标定位算法，比较了两种不同的决策过程方法：分层方法和动态方法，并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。

    Aug, 2022

  • 深度感知 - 操作感知基础的物体识别

    通过使用深度学习，结合物体颜色和 affordance 信息，提高了物体识别的鲁棒性。

    Apr, 2017

  • 从机器标注的网络图片中进行小样本物体识别

    本研究提出一种基于抽象记忆的架构，利用机器标注数据，通过查询外部记忆库中与查询问题视觉相似的数据，并将有用的信息写入到抽象记忆中，最终实现了对新领域物体的准确识别。

    Dec, 2016