論文の概要: The Butterfly Effect in Primary Visual Cortex

• arxiv url: http://arxiv.org/abs/2104.07257v2
• Date: Sat, 23 Jul 2022 04:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 18:34:27.606921
• Title: The Butterfly Effect in Primary Visual Cortex
• Title（参考訳）: 一次視覚野における蝶効果
• Authors: Jizhao Liu, Jing Lian, J C Sprott, Qidong Liu, Yide Ma
• Abstract要約: 連続結合ニューラルネットワーク(CCNN)と呼ばれる新しいニューラルネットワークを提案する。 数値計算の結果, CCNNモデルは直流刺激下での周期的挙動を示し, 交流刺激下でのカオス的挙動を示すことがわかった。 画像分割実験の結果、CCNNモデルは視覚野ニューラルネットの最先端モデルよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 5.954654488330137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploring and establishing artificial neural networks with electrophysiological characteristics and high computational efficiency is a popular topic in the field of computer vision. Inspired by the working mechanism of primary visual cortex, pulse-coupled neural network (PCNN) can exhibit the characteristics of synchronous oscillation, refractory period, and exponential decay. However, electrophysiological evidence shows that the neurons exhibit highly complex non-linear dynamics when stimulated by external periodic signals. This chaos phenomenon, also known as the " butterfly effect", cannot be explained by all PCNN models. In this work, we analyze the main obstacle preventing PCNN models from imitating real primary visual cortex. We consider neuronal excitation as a stochastic process. We then propose a novel neural network, called continuous-coupled neural network (CCNN). Theoretical analysis indicates that the dynamic behavior of CCNN is distinct from PCNN. Numerical results show that the CCNN model exhibits periodic behavior under DC stimulus, and exhibits chaotic behavior under AC stimulus, which is consistent with the results of real neurons. Furthermore, the image and video processing mechanisms of the CCNN model are analyzed. Experimental results on image segmentation indicate that the CCNN model has better performance than the state-of-the-art of visual cortex neural network models.
• Abstract（参考訳）: 電気生理学的特性と高い計算効率を備えたニューラルネットワークの探索と確立は、コンピュータビジョンの分野で人気のあるトピックである。 一次視覚野の作用機構に触発されて、パルス結合ニューラルネットワーク(PCNN)は同期振動、屈折周期、指数減衰の特性を示す。 しかし、電気生理学的な証拠は、ニューロンが外部周期信号によって刺激されると、非常に複雑な非線形ダイナミクスを示すことを示している。 このカオス現象は「蝶効果」としても知られ、全てのPCNNモデルでは説明できない。 本研究では,PCNNモデルが実際の一次視覚野を模倣するのを防ぐ主要な障害を解析する。 我々は神経細胞の興奮を確率過程と考える。 次に、連続結合ニューラルネットワーク(CCNN)と呼ばれる新しいニューラルネットワークを提案する。 理論的解析から, CCNNの動的挙動はPCNNとは異なることが示唆された。 数値的な結果から、CCNNモデルは直流刺激下での周期的挙動を示し、実際のニューロンの結果と一致する交流刺激下でのカオス的挙動を示す。 さらに,CCNNモデルの映像処理機構と映像処理機構を解析した。 画像分割実験の結果、CCNNモデルは視覚野ニューラルネットの最先端モデルよりも優れた性能を示した。

関連論文リスト

• TAVRNN: Temporal Attention-enhanced Variational Graph RNN Captures Neural Dynamics and Behavior [2.5282283486446757]
  時間注意強調変動グラフリカレントニューラルネットワーク(TAVRNN)について紹介する。 TAVRNNは、神経活動のシーケンシャルスナップショットをモデル化することにより、ネットワーク構造の時間的変化をキャプチャする。 TAVRNNは,分類,クラスタリング,計算効率において,従来のベースラインモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
  スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。 本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-27T05:53:30Z)
• Random-coupled Neural Network [17.53731608985241]
  パルス結合ニューラルネットワーク(PCNN)は、コンピュータビジョンとニューラルネットワークの分野における人間の脳の特徴を模倣するためのよく応用されたモデルである。 本研究では,ランダム結合ニューラルネットワーク(RCNN)を提案する。 ランダム不活性化プロセスを通じて、PCNNのニューロモルフィックコンピューティングの困難を克服する。
  論文  参考訳（メタデータ） (2024-03-26T09:13:06Z)
• Deep Pulse-Coupled Neural Networks [31.65350290424234]
  ニューラルネットワーク(SNN)は、ニューロンを利用して脳の情報処理機構をキャプチャする。 本研究では、複雑な力学、すなわちパルス結合型ニューラルネットワーク(PCNN)を用いた、より生物学的に実証可能なニューラルモデルを活用する。 我々は、SNNでよく使われるLIFニューロンをPCNNニューロンに置き換えることで、ディープパルス結合ニューラルネットワーク(DPCNN)を構築する。
  論文  参考訳（メタデータ） (2023-12-24T08:26:00Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Exploiting High Performance Spiking Neural Networks with Efficient Spiking Patterns [4.8416725611508244]
  スパイキングニューラルネットワーク(SNN)は、離散スパイクシーケンスを使用して情報を伝達し、脳の情報伝達を著しく模倣する。 本稿では、動的バーストパターンを導入し、短時間の性能と動的時間的性能のトレードオフを可能にするLeaky Integrate and Fire or Burst(LIFB)ニューロンを設計する。
  論文  参考訳（メタデータ） (2023-01-29T04:22:07Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Bio-inspired visual attention for silicon retinas based on spiking neural networks applied to pattern classification [0.0]
  Spiking Neural Networks(SNN)は、従来の人工ネットワークよりも生物学に近い、非同期タイプの人工ニューラルネットワークである。 本稿では,SNNを用いたイベントビデオ分類のケーススタディについて紹介する。
  論文  参考訳（メタデータ） (2021-05-31T07:34:13Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。