Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

УВАЖАЕМЫЕ ПОДПИСЧИКИ НАШЕГО ЖУРНАЛА!
По техническим причинам «Оптический журнал» не попал в каталог агентства «Роспечать» на II полугодие 2018 г., что делает невозможной подписку на него на почте. Предлагаем оформить подписку на II полугодие 2018 в редакции журнала удобным Вам способом. Стоимость подписки на полугодие сохраняется (6600 руб.).
Связаться с нами можно по т. (812) 315-05-48, Е-mail: beditor@soi.spb.ru

Аннотации (08.2018) : ВИЗУАЛИЗАЦИЯ ИНФОРМАЦИИ, КОДИРУЕМОЙ НЕЙРОНАМИ ВЫСШИХ ОБЛАСТЕЙ ЗРИТЕЛЬНОЙ СИСТЕМЫ

ВИЗУАЛИЗАЦИЯ ИНФОРМАЦИИ, КОДИРУЕМОЙ НЕЙРОНАМИ ВЫСШИХ ОБЛАСТЕЙ ЗРИТЕЛЬНОЙ СИСТЕМЫ

 

© 2018 г.       Е. Ю. Малахова

Институт физиологии им. И.П. Павлова РАН, Санкт-Петербург

E-mail: katerina@infran.ru

УДК 612.843.7, 612.825, 51-76, 004.932.1

Поступила в редакцию 03.05.2018

Рассмотрено применение искусственных нейронных сетей для визуализации функций нейронов высших отделов зрительной коры. Разработана модель, позволяющая предсказывать вызванный ответ с коэффициентом корреляции, достигающим 0,82 для определённых кортикальных колонок. Предложен подход к интерпретации репрезентаций, кодируемых нейронами зрительной системы, основанный на создании изображений, вызывающих высокий уровень активации в обученной модели. Сравнение результатов визуализирования с экспериментальными данными позволяют говорить об адекватности выбранного подхода и его применимости для изучения свойств высших отделов зрительной коры.

Ключевые слова: моделирование зрительного восприятия, искусственная нейронная сеть, генерация изображений, визуализация нейронных сетей, нижневисочная кора.

Коды OCIS: 330.4060, 200.4260, 330.4270, 100.3190

 

DOI:10.17586/1023-5086-2018-85-08-61-66

 

 

Литература

1.         Nguyen A., Clune J., Bengio Y., Dosovitskiy A., Yosinski J. Plug & play generative networks: Conditional iterative generation of images in latent space // Computer Vision and Pattern Recognition (CVPR). 2017. Jul 27. IEEE Conference. Honolulu. Hawaii. IEEE. 2017. P. 3510–3520.

2.         Mordvintsev A., Olah C., Tyka M. Inceptionism: Going deeper into neural networks // Google Research Blog. 2015. P. 5.

3.         Olah C., Mordvintsev A., Schubert L. Feature visualization // Distill. 2017. V. 2. № 11. P. e7.

4.        Mahendran A., Vedaldi A. Visualizing deep convolutional neural networks using natural pre-images // International Journal of Computer Vision. 2016. V. 120. № 3. P. 233–255.

5.         Szegedy C., Zaremba W., Sutskever I., Bruna J., Erhan D., Goodfellow I.J., Fergus R. Intriguing properties of neural networks // In Proceedings of International Conference on Learning Representations (ICLR). Banff. Canada. 2014. Apr. 14–16. P. 21.

6.        Szegedy C., Zaremba W., Sutskever I., Bruna J., Erhan D., Goodfellow I.J., Fergus R. Intriguing properties of neural networks // ICLR. 2014. abs/1312.6199.

7.         Nguyen A., Yosinski J., Clune J. Deep neural networks are easily fooled: High confidence predictions for unrecognizable images // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston. USA. 2015. Jun. 8–10. P. 427–436.

8.        Sato T., Uchida G., Lescroart M.D., Kitazono J., Okada M., Tanifuji M. Object representation in inferior temporal cortex is organized hierarchically in a mosaic-like structure // Journal of Neuroscience. 2013. V. 33. № 42. P. 16642–16656.

9.        Cadieu C.F., Hong H., Yamins D.L., Pinto N., Ardila D., Solomon E.A., DiCarlo J.J. Deep neural networks rival the representation of primate IT cortex for core visual object recognition // PLoS Computational Biology. 2014. V. 10. № 12. P. e1003963.

10.       Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // In Proceedings of International Conference on Learning Representations (ICLR). San Diego. USA. 2015. May 7–9. P. 52.

11.       Roberts G.O., Tweedie R.L. Exponential convergence of Langevin distributions and their discrete approximations // Bernoulli. 1996. V. 2. № 4. P. 341–363.

 

 

Полный текст