机构名称：
¥ 2.0
卷积神经网络（CNN）最近已成为腹侧视觉流的有前途的模块。虽然主要视觉皮层（V1）的当前最新模型已经从具有对抗性示例的训练中浮出水面并广泛增强了数据，但这些模型仍然无法解释V1中观察到的关键神经特性，这些神经特性是由生物逻辑电路引起的。为了解决这一差距，我们系统地将神经科学衍生的架构组件纳入CNN中，以确定一组更全面地解释V1活动的机制和体系结构。通过使用建筑组件增强任务驱动的CNN，这些组件模拟了中心旋转的拮抗作用，局部接收场，调整归一化和皮质放大倍数，我们以潜在的表示模型来产生V1神经活动和调谐特性的潜在模型。此外，对这些成分的学习参数和最大激活评估网络神经元的刺激的分析为它们在解释V1的神经特性中的作用提供了支持。我们的结果突出了神经ai领域的重要进步，因为我们系统地建立了一组建筑成分，这些组件有助于v1的前所未有的解释。可以从越来越准确的大脑内部模型中收集的神经科学见解有可能大大推进神经科学和人工智能的领域。
用生物学约束深度学习体系结构解释V1属性
主要关键词
相关文件推荐
