视网膜映射提高卷积神经网络的鲁棒性
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
计算模型在理解灵长类视觉系统的拓扑结构和功能方面起着重要作用。本研究通过发展全拓扑神经网络(All-TNNs)克服了传统卷积神经网络在学习空间特征时忽略拓扑的限制。实验结果表明,All-TNNs 在视觉输入训练后呈现出灵长类拓扑的特征,包括平滑的方向映射、皮层放大以及类别选择性区域。此外,研究中引入了人类在目标识别中的空间偏倚性新数据集,能够将模型与行为直接联系起来。通过与先前最先进的卷积模型相比,实验结果显示 All-TNNs 更好地与人类行为一致,说明 All-TNNs 对于理解视觉大脑的空间结构及其在视觉行为中的作用是一个重要的步骤。
Aug, 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
通过图像转换模拟在周边视觉中模糊图像并降低颜色饱和度,研究表明,相比于原始图像,使用该转换的深度神经网络对于敌对攻击以及其他非敌对损坏具有更强的鲁棒性,对扰动数据的准确性高出 25%。
Aug, 2023
通过对位于图像不同区域的 CNN 进行应用,来缓解基于对抗性样本的问题,即在图像中引入几乎不可见的扰动来导致 CNN 失效。实验结果表明,CNN 具有局部线性特性,这不仅推翻了先前的假设,还证明了应用 Foveations 机制有助于降低对抗性样本的影响。
Nov, 2015
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
通过 Fourier 拓扑优化改善磁共振成像,提高卷积神经网络在阿尔茨海默病分类中的准确性,为神经学评估中常见的模糊和对比度不规则等问题提供了改进的解剖学定义,减轻噪声,提供更好的对比度。
Oct, 2023
本文介绍了一种使用视锥传感器主动关注视觉场景的方法,并提出了一种端到端可区分的视锥主动视觉架构,该架构利用图卷积网络处理视锥图像,并提供一种简单而有效的视锥图像采样形式。我们的模型通过学习迭代地关注与分类相关的图像区域。我们在多个图像数据集上进行了详细实验,比较了我们的方法与先前的视锥视觉方法的性能,同时还测量了不同选择(如视锥程度和网络执行的固定点数)对目标识别性能的影响。我们发现,我们的模型在具有可比参数和给定像素或计算预算的最先进 CNN 和视锥视觉架构上表现更好。
Dec, 2023