【讲座】神经编码与解码

视频来源:
1、面向类脑视觉的生物视觉编码机制和模型(余肇飞)https://www.bilibili.com/video/BV1rR4y1K7KW/?spm_id_from=333.337.search-card.all.click&vd_source=897075bbdd61e45006d749612d05a2ab

2、基于视觉编解码的深度学习类脑机制研究(何晖光)https://www.bilibili.com/video/BV1tT411j7DD/?spm_id_from=333.337.search-card.all.click&vd_source=897075bbdd61e45006d749612d05a2ab

深度学习vs计算机视觉

深度学习的发展带来计算机视觉、人工智能的热潮
深度学习不能解决CV的瓶颈问题
在这里插入图片描述

卷积神经网络受视觉网络的启发而提出
在这里插入图片描述

人脑视觉系统比我们想象的更聪明

视网膜解决了很多任务,将解决好的问题发送给大脑。
1、需要压缩信息
2、从场景提取特征,进行分类,减少视觉皮层处理难度

AI与脑科学互相促进,推动AI技术发展的同时加深对大脑工作机制的理解

2013-2019年的CVPR:只要是deep learning的应用就可以发
2019年之后的趋势:视觉的书-视觉机理-结合图像问题(分割,理解)-模型

视觉编解码

编码:一个刺激如何造成一种响应模式? — 建立机理模型
解码:这些响应传递了什么信息? — 如何重建大脑在做的事

视觉系统的研究

人类获取信息70%-80%都是来自于视觉

视网膜将外部的光信号转化为脉冲信号的过程,称为视觉编码
视觉皮层将脉冲信号转化的过程,称为解码
在这里插入图片描述

意义:中国约有800万盲人,这些盲人大部分的视觉皮层没有问题,视网膜发生了一些损坏。研究视网膜如何将光信号转化为脉冲信号,那么就可以研究一个视网膜假体
在这里插入图片描述

目前研究的数据类型:微电极阵列、钙成像,做编码/解码的一些工作

1、视网膜系统辨识:能否根据输入刺激和输出的脉冲序列,推导出视网膜连接结构
2、哪些视网膜组件产生了脉冲,产生了多久的脉冲

研究现状

1、脉冲激发平均法
在这里插入图片描述
缺点:只能获取平均的,不能获取每个子单元的信号,也无法获取每个子单元的权重

2、非负矩阵分解
将脉冲激发的图像分解为权重矩阵和模块矩阵
在这里插入图片描述
3、基于RNN类网络的视网膜编码模型
在这里插入图片描述

存在的困难:1、如何扩展到更复杂的应用场景?2、网络参数量怎么处理

Zheng Y, Jia S, Yu Z, et al. Unraveling neural coding of dynamic natural visual scenes via convolutional recurrent neural networks[J]. Patterns, 2021, 2(10).
Yan Q, Zheng Y, Jia S, et al. Revealing fine structures of the retinal receptive field by deep-learning networks[J]. IEEE transactions on cybernetics, 2020, 52(1): 39-50.
Zhang Y, Bu T, Zhang J, et al. Decoding pixel-level image features from two-photon calcium signals of macaque visual cortex[J]. Neural Computation, 2022, 34(6): 1369-1397.
Zhang Y, Jia S, Zheng Y, et al. Reconstruction of natural visual scenes from neural spikes with deep neural networks[J]. Neural Networks, 2020, 125: 19-30.

CNN 可以实现准确解码,优于目前的fMRI

基于视觉信息编解码的深度学习类脑机制研究

在这里插入图片描述

计算机模型怎么判断的?这是个黑盒子。于是就有工作进行解决这个问题
方法1:将每一层可视化出来,观察每一个神经元对哪些输入响应最大
在这里插入图片描述

方法2:研究神经网络和大脑之间有什么关系?
使用fMRI绘制出表征相似矩阵,而且CNN也有一个表征矩阵,这两个矩阵之间有什么关系?
在这里插入图片描述
随着DL发展,CV难以处理复杂背景下的复杂任务。而人脑可以处理复杂的视觉任务,那么如何将人脑特性融合进CV?
在这里插入图片描述

研究类脑的方式:通过编码解码的方式进行研究。
编码:将CNN不同层级的特征作为输入,估计神经元反应
解码:将神经元信号作为输入,预测CNN输出
在这里插入图片描述

从外部输入—大脑活动----编码
大脑活动信号----预测图像----解码
解码:建立大脑信号到预测图像的一个逆向工程
涉及到两个空间:图像空间+脑信号空间,但是这两个空间之间的间隔比较大,对此处理的方法是:通过一个特质空间作为桥梁,建立起这两个空间的联系
在这里插入图片描述

侵入性:右下
非侵入性:左上

fMRI工作原理

大脑活动是通过神经元放电进行的,直接对大脑放电信号进行测量困难较大,选择氧红血红蛋白测量,是间接反应大脑活动的一种数据模态

如何评价DNN和大脑之间的关系

在这里插入图片描述

将三个分数结合,并且对主流网络进行了一个评估
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

九久呀

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值