Mar, 2024

使用条件可逆神经网络优化视网膜假体刺激

PDF
TL;DR利用归一化流条件可逆神经网络来优化视网膜植入刺激，以解决电极阵列低分辨率和对不同神经节细胞类型的缺乏特异性所带来的亚优刺激问题。流式可逆神经网络及其条件扩展相比其他方法（如平凡降采样、线性模型和前馈卷积神经网络），在使用经过生理验证的仿真工具进行各种指标的视觉重建方面，效果更佳。
发现论文，激发创造
  • 视觉假体深层刺激编码的人机协同优化

    通过深度学习模型优化电刺激编码策略并结合贝叶斯优化，提高视觉前沿技术在神经假肢领域中的个性化感知效果。

    Jun, 2023

  • 低光图像恢复的仿生简单神经网络：一种极简主义方法

    本文中，我们提出了一种受视网膜模型启发的神经网络，可以高效地恢复低光图像，并通过直接模拟视网膜神经元的功能来构建特定的生物神经学组织的人工版本。从主观感知的角度来看，我们的模型达到了与复杂的深度学习模型相似的效果，并且相对于传统的信号处理模型减少了计算开销。

    May, 2023

  • 基于视网膜模型的低光照图像恢复方法

    本研究探究了使用类脑神经网络模拟人类视网膜模型的可能性，旨在通过模仿各种光学神经元的神经生理原理和动态学，使用简单的神经网络实现低光照图片的无缝恢复。该模型可以节省计算成本，并从主观感知角度产生与复杂深度学习模型相媲美的结果，同时避免了手动寻找最佳参数的过程，为构建相应的神经生物组织的人工版本铺平了道路。

    Oct, 2022

  • 光神经处理器的设计与开发，用于模拟在图像检测中训练的神经网络，并潜在应用于混合机器人

    本文提出了使用光遗传学和 STDP 基于反向传播算法间接训练的模拟生物神经网络，通过精确激活达到了与传统神经网络训练算法相当的准确度。

    Jan, 2024

  • 通过原位反向传播训练光子神经网络

    本文提出了一种新的方法，使用伴随变量方法导出光子反向传播算法的光学模拟，并通过在设备内进行强度测量来准确获得这些梯度，从而大大提高了光学神经网络的训练效率。

    May, 2018

  • 视网膜中的信号处理：可解释的图分类器预测神经节细胞响应

    从数据中学习可解释的基于图的分类器以预测视觉刺激下的节细胞发射；通过学习正半定 (PSD) 距离矩阵来定义图节点 (视觉事件) 之间的马氏距离，从而导出边权和可进行二元分类的组合图；通过图的半定规划来优化距离矩阵的目标，结合 Gershgorin 圆盘理论和线性化的 Gershgorin 圆盘完美对齐法高效求解；学习到的距离矩阵提供了可解释性，重要特征通过对角线确定并可以从非对角线元素推断出相互关系；该快速度量学习框架适用于其他需要解释的预选特征的生物系统。

    Jan, 2024

  • 深度学习模型对自然场景的视网膜反应

    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

  • 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

  • 深度学习用于视觉神经假肢

    视觉途径、视觉感知、视觉编码、神经假肢和计算模型是重要研究领域。该文章介绍了视觉感知的重要性，讨论了视觉信息编码和大脑中信息组织的机制，以及如何使用计算模型来实现神经假肢并提高对于视觉编码和自然视觉的理解。

    Jan, 2024

  • 光学神经网络

    本文提出一种新的光学神经网络（ONN）框架，模拟人眼视网膜中心附近的高分辨率，实现了图像分类估计的标量不变性，并且通过同维孪生（Siamese）结构将不同缩放级别的图像输入通过相同的卷积神经网络（CNN）进行处理，最终的结果可用于提高现有算法中的准确性。

    May, 2018