論文の概要: Adapting Brain-Like Neural Networks for Modeling Cortical Visual
Prostheses
- arxiv url: http://arxiv.org/abs/2209.13561v1
- Date: Tue, 27 Sep 2022 17:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 14:42:09.780614
- Title: Adapting Brain-Like Neural Networks for Modeling Cortical Visual
Prostheses
- Title(参考訳): 皮質視覚モデルのための脳様ニューラルネットワークの適応
- Authors: Jacob Granley, Alexander Riedel, Michael Beyeler
- Abstract要約: 皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。
現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。
我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
- 参考スコア(独自算出の注目度): 68.96380145211093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cortical prostheses are devices implanted in the visual cortex that attempt
to restore lost vision by electrically stimulating neurons. Currently, the
vision provided by these devices is limited, and accurately predicting the
visual percepts resulting from stimulation is an open challenge. We propose to
address this challenge by utilizing 'brain-like' convolutional neural networks
(CNNs), which have emerged as promising models of the visual system. To
investigate the feasibility of adapting brain-like CNNs for modeling visual
prostheses, we developed a proof-of-concept model to predict the perceptions
resulting from electrical stimulation. We show that a neurologically-inspired
decoding of CNN activations produces qualitatively accurate phosphenes,
comparable to phosphenes reported by real patients. Overall, this is an
essential first step towards building brain-like models of electrical
stimulation, which may not just improve the quality of vision provided by
cortical prostheses but could also further our understanding of the neural code
of vision.
- Abstract(参考訳): 皮質人工装具は視覚皮質に埋め込まれ、電気刺激によって失われた視覚を回復しようとする装置である。
現在、これらのデバイスが提供するビジョンは限られており、刺激による視覚知覚を正確に予測することは難しい。
本稿では,視覚システムの有望なモデルとして出現した「脳様」畳み込みニューラルネットワーク(cnns)を用いて,この問題に対処することを提案する。
視覚補綴をモデル化するための脳様CNNの適用可能性を検討するため,電気刺激による知覚を予測する概念実証モデルを開発した。
神経学的にインスパイアされたcnn活性化のデコーディングは、実際の患者が報告したホスフェンと同等の、定性的に正確なホスフェンを生成する。
全体として、これは脳に似た電気刺激モデルを構築するための重要な第一歩であり、これは皮質の補綴によって提供される視覚の質を改善するだけでなく、視覚の神経コードに対する理解を深めるかもしれない。
関連論文リスト
- Unidirectional brain-computer interface: Artificial neural network
encoding natural images to fMRI response in the visual cortex [12.1427193917406]
本稿では,人間の脳を模倣する人工ニューラルネットワークVISIONを提案する。
VISIONは、人間の血行動態の反応をfMRIボクセル値として、最先端の性能を超える精度で45%の精度で予測することに成功した。
論文 参考訳(メタデータ) (2023-09-26T15:38:26Z) - BI AVAN: Brain inspired Adversarial Visual Attention Network [67.05560966998559]
機能的脳活動から直接人間の視覚的注意を特徴付ける脳誘発対人視覚注意ネットワーク(BI-AVAN)を提案する。
本モデルは,人間の脳が監督されていない方法で焦点を絞った映画フレーム内の視覚的物体を識別・発見するために,注意関連・無視対象間の偏りのある競合過程を模倣する。
論文 参考訳(メタデータ) (2022-10-27T22:20:36Z) - Adversarially trained neural representations may already be as robust as
corresponding biological neural representations [66.73634912993006]
本研究では,霊長類脳活動に直接対人的視覚攻撃を行う方法を開発した。
霊長類の視覚系を構成する生物学的ニューロンは、既存の(不正に訓練された)人工ニューラルネットワークに匹敵する敵の摂動に感受性を示す。
論文 参考訳(メタデータ) (2022-06-19T04:15:29Z) - Human Eyes Inspired Recurrent Neural Networks are More Robust Against
Adversarial Noises [3.8738982761490988]
人間の視覚と比較して、畳み込みニューラルネットワーク(CNN)に基づくコンピュータビジョンは、敵の雑音に対してより脆弱である。
この違いは、眼が視覚入力をどのようにサンプルし、脳が網膜サンプルを背側および腹側視覚経路を通してどのように処理するかに起因している可能性が高い。
我々は、人間の網膜を模倣する入力サンプリング器、次に見る場所を案内する背側ネットワーク、網膜のサンプルを表す腹側ネットワークを含む、反復的なニューラルネットワークを設計する。
これらのモジュールをひとつにまとめると、モデルはイメージを複数回見て、各見た目で健全な部分に参加し、画像を認識するために時間をかけて表現を蓄積する。
論文 参考訳(メタデータ) (2022-06-15T03:44:42Z) - Prune and distill: similar reformatting of image information along rat
visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。
ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。
我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文 参考訳(メタデータ) (2022-05-27T08:06:40Z) - A Hybrid Neural Autoencoder for Sensory Neuroprostheses and Its
Applications in Bionic Vision [0.0]
感覚神経補綴は、失われた感覚機能を回復したり、人間の能力を増強するための有望な技術として登場しつつある。
本稿では、ディープニューラルネットワークエンコーダが、基礎となる生物学的システムを近似した、既知の固定されたフォワードモデルを逆転するように、いかに訓練されているかを示す。
概念実証として,視覚神経補綴症例に対するハイブリッド神経オートエンコーダ(HNA)の有効性を実証した。
論文 参考訳(メタデータ) (2022-05-26T20:52:00Z) - Deep Learning-Based Perceptual Stimulus Encoder for Bionic Vision [6.1739856715198]
そこで我々は,所望の視覚知覚を生み出すために必要な電極活性化パターンを予測するために,エンド・ツー・エンドで訓練されたPSEを提案する。
MNISTに対するエンコーダの有効性を、個々の網膜インプラント使用者に適した精神生理学的に検証されたホスフェインモデルを用いて実証した。
論文 参考訳(メタデータ) (2022-03-10T19:42:09Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - NeuroGen: activation optimized image synthesis for discovery
neuroscience [9.621977197691747]
我々はNeuroGenと呼ばれる新しい計算戦略を提案し、限界を克服し、人間の視覚神経科学発見のための強力なツールを開発する。
NeuroGenは、人間の視覚のfMRIで訓練されたニューラルエンコーディングモデルと深層生成ネットワークを組み合わせて、予測された画像を合成し、マクロな脳活性化のターゲットパターンを達成する。
我々はNeuroGenによって作成された少数の合成画像を用いて、視覚刺激に対する局所的および個人的脳反応パターンの違いを検出し、増幅できることを実証した。
論文 参考訳(メタデータ) (2021-05-15T04:36:39Z)
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。