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)

Аннотации (11.2019) : ДЖОКОНДА И НЕОПРЕДЕЛЕННОСТЬ РАСПОЗНАВАНИЯ УЛЫБКИ ЧЕЛОВЕКОМ И ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ

ДЖОКОНДА И НЕОПРЕДЕЛЕННОСТЬ РАСПОЗНАВАНИЯ УЛЫБКИ ЧЕЛОВЕКОМ И ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ

 

© 2019 г. О. В. Жукова*, канд. психол. наук; Е. Ю. Малахова*; Ю. Е. Шелепин*, **, доктор мед. наук

*   Институт физиологии им. И.П. Павлова Российской академии наук, Санкт-Петербург

** Санкт-Петербургский государственный университет, Санкт-Петербург

E-mail: volgazhukova@gmail.com

УДК 612.82, 004.93

Поступила в редакцию 03.07.2019

DOI:10.17586/1023-5086-2019-86-11-40-50

Проведен сравнительный анализ возможностей распознавания улыбки человеком и искусственной нейронной сетью в условиях неопределенности. Методом функциональной магнитно-резонансной томографии исследованы основные паттерны мозговой активности. Существуют фундаментальные ограничения, свойственные естественным и искусственным нейронным сетям, поэтому получены общности результатов распознавания тестовых изображений в надпороговых и пороговых условиях. Так, вероятность распознавания улыбки в обычных условиях достаточно высока, но в условиях неопределенности (пороговые и зашумленные изображения) и у человека, и у искусственной нейронной сети она снижается. Например, распознавание улыбки в мимике Джоконды человеком и искусственной нейросетью происходит с вероятностью 0,69. Предполагаем, что важнейшим принципом работы в обеих сетях является механизм согласованной фильтрации как меры соответствия предъявленного изображения с выученным нейронной сетью шаблоном, в частности, улыбки.

Ключевые слова: улыбка, искусственная нейронная сеть, распознавание, крупномасштабная нейронная сеть, паттерн мозговой активности.

Коды OCIS: 100.4996, 170.6960, 330.5020

 

ЛИТЕРАТУРА

1.         Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга). М.: Мир, 1965. 480 с.

2.         Hubel D.H., Wiesel T.N. Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex // J. Physiology. 1962. V. 160. P. 106–154.

3.         Fukushima K., Miyake S. Neocognitron. A self-organizing neural network model for a mechanism of visual pattern recognition / in Competition and cooperation in neural nets. Berlin: Springer Heidelberg, 1982. P. 267–285.

4.         Guclu U., van Gerven M.A. Deep neural networks reveal a gradient in the complexity of neural representations across the ventral stream // J. Neuroscience: The Official Journal of the Society for Neuroscience. 2015. V. 35. P. 10005–10014 .

5.         Kriegeskorte N. Deep neural networks: A new framework for modeling biological vision and brain information processing // Annual Review of Vision Sci. 2015. V. 1. P. 417–446.

6.         Parkhi O.M., Vedaldi A., Zisserman A. Deep face recognition // In BMVC. 2015. V. 1. № 3. P. 6.

7.         Малахова Е.Г. Обработка зрительной информации в искусственных и биологических нейронных сетях // Нейротехнологии / Под ред. Шелепина Ю.Е., Чихмана В.Н. СПб.: изд. ВВМ, 2018. C. 338–349.

8.        Красильников Н.Н., Шелепин Ю.Е. Маскирование как результат согласованной фильтрации // Физиология человека. 1996. Т. 22. № 5. С. 99–103.

9.         Шелепин Ю.Е., Борачук (Жукова) О.В., Пронин С.В. и др. Лицо и невербальные средства коммуникации // Петербургский психологический журнал. 2014. № 9. С. 1–43.

10.       Жукова О.В. Закономерности перестройки крупномасштабной нейронной сети головного мозга человека при распознавании лиц в условиях неопределенности // Автореф. канд. дис. СПб.: CПбГУ, 2017. 25 с.

11.       Подвигин Н.Ф., Макаров Ф.Н., Шелепин Ю.Е. Элементы структурно-функциональной организации зрительно-глазодвигательной системы. Л.: Наука, 1986. 252 с.

12.       Tanaka K., Saito H., Fukada Y., et al. Coding visual images of objects in the inferntemporal cortex of the macaque monkey // J. Neurophysid. 1991. V. 66. № 1. P. 170–189.

13.       Шелепин Ю.Е., Фокин В.А., Хараузов А.К. и др. Локализация методами нейроиконики механизмов принятия решений об упорядоченности текстур // Оптический журнал. 2014. T. 81. № 1. С. 57–69.

14.       Cadieu C.F., Hong H., Yamins D.L., et al. Deep neural networks rival the representation of primate IT cortex for core visual object recognition // PLoS Computational Biology 10:e1003963. 2014.

15.       Kohonen T. Analysis of simple self-organizing process // Biological Cybernetics. 1982. V. 44. P. 135–140.

16.       Fukushima K. Neural network model for selective attention in visual pattern recognition and associative recall // Appl. Opt. 1987. V. 26. № 23. P. 4985–4992.

 

 

Полный текст