В одном аспекте видения компьютеры ловят до мозга примата

До сих пор никакая компьютерная модель не была в состоянии соответствовать мозгу примата при визуальном распознавании объектов на протяжении краткого взора. Но новое изучение от нейробиологов MIT отыскало, что одно из последнего поколения этих так называемых «глубоких нейронных сетей» соответствует мозгу примата.Потому, что эти сети основаны на текущем понимании нейробиологов того, как мозг делает распознавание объектов, успех последних сетей предлагают, дабы у нейробиологов было достаточно правильное схватывание того, как распознавание объектов трудится, говорит Джеймса Дикарло, учителя нейробиологии и главу Отдела MIT Мозговой и Когнитивистики и ведущего автора статьи, обрисовывающей изучение в выпуске 11 декабря издания PLoS Computational Biology.

«То, что модели предвещают расстояния и нервные ответы объектов в нервном космосе населения, говорит о том, что эти модели заключают в капсулу отечественный ток, оптимальнее осознающий относительно того, что длится в данной ранее загадочной части мозга», говорит Дикарло, что есть кроме этого участником Университета Макговерна MIT Мозгового Изучения.Это улучшенное познание того, как интеллектуальные труды примата имели возможность привести к лучшему неестественному интеллекту и, когда-нибудь, новые методы вернуть визуальную дисфункцию, додаёт Шарля Кадие, postdoc в Университете Макговерна и ведущем авторе газеты.Другие авторы – аспиранты Ха Хун и Диего Ардила, исследователь Дэниел Яминс, бывший аспирант MIT Николас Пинто, бывший студент MIT Итан Соломон, и изучение присоединяет Наджиба Мэджэджа.Вдохновленный мозгом

Ученые начали строить нейронные сети в 1970-х в надежде на имитацию свойства мозга обработать визуальную данные, признать обращение и осознать язык.Для основанных на видении нейронных сетей ученые были вдохновлены иерархическим понятием визуальной информации в мозгу. Потому, что визуальный вход вытекает из сетчатки в первичную зрительную кору и после этого inferotemporal (IT) кора, это обработано на каждом уровне и делается более конкретным, пока объекты не смогут быть выяснены.Дабы подражать этому, проектировщики нейронной сети создают пара слоев вычисления в их моделях.

Любой уровень делает математическую операцию, такую как линейный точечный продукт. На каждом уровне представления визуального объекта становятся более сложной, и ненужной информацией, таковой как расположение либо перемещение объекта, отвергнут.«Любой отдельный элемент, в большинстве случаев – весьма простое математическое выражение», говорит Кадие. «Но в то время, когда Вы объединяете тысячи и миллионы этих вещей совместно, Вы приобретаете сверхсложные преобразования от сырых сигналов в представления, каковые весьма хороши для распознавания объектов».

Для этого изучения исследователи сперва измерили свойство к распознаванию объектов мозга. Во главе с Гонконгом и Majaj, они внедрили множества электродов в коре IT, а также в области V4, часть визуальной совокупности, которая питается в кору IT. Это разрешило им видеть нервное представление – население нейронов, каковые отвечают – для каждого объекта, на что наблюдали животные.Исследователи имели возможность тогда сравнить это с представлениями, созданными глубокими нейронными сетями, каковые складываются из матрицы чисел, произведенных каждым вычислительным элементом в совокупности.

Каждое изображение создаёт разное множество чисел. Точность модели выяснена тем, собирает ли это подобные объекты в подобные группы в представлении.«При помощи каждого из этих вычислительных преобразований, через любой из этих слоев сетей, определенные объекты либо изображения становятся ближе совместно, тогда как другие добираются потом обособленно», говорит Кадие.Лучшая сеть была той, которая была развита исследователями в Нью-Йоркском университете, что классифицировал объекты, и мозг макаки.

Больше вычислительной мощностиДва главных фактора составляют недавний успех этого типа нейронной сети, говорит Кадие. Любой – большой прыжок в доступности вычислительной вычислительной мощности.

Исследователи применяли в собственных заинтересованностях графические единицы обработки (GPUs), каковые являются мелким жареным картофелем, созданным для высокой эффективности в обработке огромной суммы визуального содержания, нужного для игр. «Это разрешает людям пробовать выйти за границы вероятного с позиций вычисления, беря эти довольно недорогие видеокарты», говорит Кадие.Второй фактор – то, что у исследователей сейчас имеется доступ к громадным комплектам данных, дабы накормить методы, дабы «научить» их. Эти комплекты данных содержат миллионы изображений, и любой аннотируется людьми с различными уровнями идентификации. К примеру, фотография собаки была бы маркирована как животное, собака, одомашнил породу и собаку собаки.

Сперва, нейронные сети не хороши в идентификации этих изображений, но потому, что они видят все больше изображений и определят, в то время, когда они были неправы, они совершенствуют собственные вычисления, пока они не становятся намного более правильными при идентификации объектов.Кадие говорит, что исследователи не знают большое количество о том, что совершенно верно разрешает этим сетям отличать разные объекты.

«Это – про и аргумент «против»», говорит он. «Это отлично в этом, мы не должны вправду знать то, что вещи, это отличает те объекты. Но громадный аргумент «против» – то, что весьма тяжело осмотреть те сети, взглянуть в и видеть то, что они вправду сделали. Сейчас, в то время, когда люди видят, что эти вещи трудятся прекрасно, они будут трудиться больше, чтобы выяснить то, что происходит в них».Лаборатория Дикарло сейчас собирается попытаться произвести модели, каковые смогут подражать вторым нюансам визуальной обработки, включая признание и отслеживание движения трехмерных форм.

Они кроме этого сохраняют надежду создать модели, каковые включают прогнозы обратной связи, увиденные в людскую визуальную совокупность. Текущие сети лишь моделируют «feedforward» прогнозы от сетчатки до коры IT, но имеется на порядок больше связей, каковые идут от коры IT назад к другой части совокупности.

Комментариев: 9 на “В одном аспекте видения компьютеры ловят до мозга примата

  1. В Америке очень много летают, наверное скоро будут воздушные пробки.

  2. за Партию Регионов. дед разумеется не знал еще этого, иначе расстрелял бы рыгов еще в 40-е. наши деды здесь не причем, их жестко обманули.

  3. по поводу самолета я с самого начала сказал, что меня возмущает сам факт того, что этот самолет был сбит, хотя сбивать его не было необходимости. все остальное провокации или нет совсем другой разговор.

  4. что у него сирийского кроме частички отцовской крови? мать немца, родился в США, вырос в семье американца и армянки.

  5. Так на Украину совершено нападение. А Россия сама виновата, нечего играть в ковбоя коли силенок недостаточно.

  6. С-400 и С-500 это продолжение старых технологий еще советских технологий, их усовершенствование. а вот что-то создать с нуля, как те же беспилотники кишка как видно тонка. сколько не пытались ничего не получилось. на счет китайцев ты только подтвердил мои слова, что толку от того что им попадут детали нет.

  7. В Москве задержан каннибал. По данным следствия, ранее судимый и состоявший на учете в психдиспансере житель Москвы Николай Шадрин убил, расчленил и частично съел своего знакомого. На ужин у него была приготовлена печень москвича Ильи Егорова. До этого столичные оперативники на протяжении двух недель находили в водоемах части человеческих тел.

  8. Он же еще не все штаты выиграл.

Комментарии закрыты