剑桥大学开发AI模型,结合视觉与语义信息,研究大脑识别过程

编译:chux

出品:ATYUN订阅号

剑桥大学的神经科学研究人员将计算机视觉与语义相结合,开发出一种新模型,有助于更好地理解大脑中物体的处理方式。

人类识别物体的能力涉及两个主要过程,即对象的快速视觉分析和整个生命过程中获得的语义知识的激活。之前大多数研究分别研究了这两个过程,因此,它们的相互作用仍然不是很清楚。

剑桥研究人员团队使用一种新方法研究了物体识别过程,该方法将深度神经网络与吸引子网络语义模型相结合。与之前的大多数研究相比,他们的技术既考虑了视觉信息,也考虑了有关物体的概念知识。

剑桥研究人员表示,“我们之前曾对健康人和脑损伤患者进行了大量研究,以更好地了解物体在大脑中的处理方式。这项工作的主要贡献之一是表明理解物体是什么涉及视觉输入随着时间的推移迅速转变为有意义的表现形式,这种变革过程是沿着腹侧颞叶的长度完成的。”

研究人员坚信,访问语义记忆是理解对象是什么的关键,因此仅关注与视觉相关的属性的理论并不能完全捕捉到这个复杂的过程。

集成模型的体系结构,其中越来越复杂的视觉信息映射到语义信息。

研究人员解释说,“这是当前研究的最初动机,我们希望完全理解低级视觉输入如何映射到对象意义的语义表示上。”为此,他们使用了一个专门用于计算机视觉的标准深度神经网络,称为AlexNet。

他们解释说:“这个模型以及其他类似模型可以非常精确地识别图像中的对象,但它们不包含任何关于对象语义属性的明确知识。例如,香蕉和猕猴桃的外观(不同的颜色,形状,质地等)非常不同,但是,我们能够正确地理解它们都是水果。计算机视觉的模型可以区分香蕉和猕猴桃,但它们不是编码更抽象的知识,两者都是水果。”

研究人员承认神经网络对计算机视觉的局限性,将AlexNet视觉算法与神经网络相结合,神经网络将概念意义(包括语义知识)放到对方程的分析中。

研究人员指出,“在组合模型中,视觉处理映射到语义处理并激活我们关于概念的语义知识。”

他们的新技术在16名志愿者的神经影像数据上进行了测试,他们被要求在对象进行fMRI扫描时命名。与传统的深度神经网络(DNN)视觉模型相比,新方法能够识别与视觉和语义处理相关的大脑区域。

视觉上的DNN(紫色)和语义吸引子网络(红黄色)的不同层是如何映射到大脑不同区域的。

“这项研究最关键的发现是,通过考虑物体的视觉和语义属性,可以更好地模拟物体识别过程中的大脑活动,这可以通过计算建模方法捕获,”研究人员解释说。

他们设计的方法对大脑中语义激活的阶段进行了预测,这与先前的对象处理过程一致,其中更粗粒度的语义处理让位于更精细的处理。研究人员还发现,该模型的不同阶段预测了大脑对象处理途径的不同区域的激活。

“最终,人们如何有意义地处理视觉对象的更好模型可能具有实际的临床意义,例如,在理解语义痴呆等条件下,人们失去了对象概念意义的知识,”研究人员说。

在剑桥进行的研究对神经科学领域做出了重要贡献,因为它展示了大脑的不同区域如何促进对象的视觉和语义处理。

研究人员补充说:“现在研究一个地区的信息如何转化为我们在大脑不同区域看到的不同状态至关重要。为此,我们需要了解连通性和时间动力学如何支持这些变革性神经过程。”

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2018-07-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Spark学习技巧

Emdedding向量技术在蘑菇街推荐场景的应用

41730
来自专栏云时之间

深度学习与神经网络学习:(1)小小的开始

其实说深度学习,之前或多或少之前也学过一些,比如像经常在TensorFlow用的CNN卷积神经网络和RNN递归神经网络以及LSTM等,再有就是现在学术界比较热的...

63770
来自专栏云时之间

深度学习与神经网络学习:(1)小小的开始

大家好,这一篇文章算是深度学习这一个开始 其实说深度学习,之前或多或少之前也学过一些,比如像经常在TensorFlow用的CNN卷积神经网络和RNN递归神经网络...

45660
来自专栏机器之心

CVPR2018 | 直接建模视觉智能体?让「小狗」动起来~

选自arXiv 作者:Kiana Ehsani 等 机器之心编译 参与:Pedro、路 近日,来自华盛顿大学和艾伦人工智能研究所的研究者在 arXiv 上发布论...

36260
来自专栏量子位

三角兽首席科学家分享实录:基于对抗学习的生成式对话模型

主讲人:三角兽首席科学家 王宝勋 颜萌 整理编辑 量子位 出品 | 公众号 QbitAI 对抗学习和对话系统都是近年来的新热点。今年7月,三角兽研究组与哈工大I...

38460
来自专栏Pytorch实践

机器是如何做阅读理解的?

机器阅读理解 斯坦福有个很重要的比赛,就是让机器完成阅读理解题目,即给定一篇文章,让机器理解文章含义进行题目回复。每年这一比赛都是国际性的,引来了业界、学术界的...

48170
来自专栏量化投资与机器学习

【机器学习课程】深度学习与神经网络系列之绪论介绍

神经网络与深度学习 让机器具备智能是人们长期追求的目标,但是关于智能的定义也十分模糊。Alan Turing在 1950年提出了著名的图灵测试:“一个人在不接触...

22890
来自专栏华章科技

揭开深度学习黑箱:希伯来大学计算机科学教授提出「信息瓶颈」

一个称为「信息瓶颈」的新想法有助于解释当今人工智能算法的黑箱问题——以及人类大脑的工作原理。

10430
来自专栏AI科技评论

AI科技评论周刊:你有没有想过,要成为一个AI领域的大神?

未来是一个AI的时代吗?很有可能是的,几乎每天都能看到AI相关的新闻,你会不会也有一种想要钻研AI,制造下一个AlphaGo的冲动? 可是学习AI说难不算特别难...

38270
来自专栏新智元

FPGA 超越 GPU,问鼎下一代深度学习主引擎

【新智元导读】英特尔加速器架构实验室的Eriko Nurvitadhi 博士以最新的 GPU 为参照,对两代 Intel FPGA 上新兴的DNN算法进行了评估...

35950

扫码关注云+社区

领取腾讯云代金券