智能时代的评论 全部393条

我来说两句

• 

  i3****526 2020-10-18

  大脑神经网络结构在大脑皮层中有许多短的和长的联合束提供半球内的沟通，主要连接纤维束扣带回是长联合带的一个例子。联合纤维在两个半球的同源区域之间提供联系，胼胝体代表最大区域。其他联合有前联合，它连接同源的皮质额叶区域和穹窿。神经科学的一个长期目标是开发整合大脑结构和功能来预测人类感知、认知和行为的模型，但它们往往缺乏个体层面的表征。神经成像研究才刚刚开始解决这一知识缺口，在我们能够可靠地研究大脑网络的个性和变异之前，还需要进行大量的工作。开发创新技术，使个人大脑连接的计算结构研究成为可能。(A) 连接组的节点。弓状束的皮质端。密度表示为黄色较高和红色较低。(B)连接组的边，两个主要的WM束，皮质-脊髓束(CST) &弓状纤维束。绘制人类脑连接组完整的连接组仍是未知的。绘制完整的连接组的局限性是在于连接组的估计存在两个差异:1、连接组对跟踪方法的依赖性；2、同一个体不同时期重复扫描的变异性。利用线性束分析法（LiFE)进行纤维束追踪评价的方法。LiFE可以使用任意追踪图，以生成的白质束作为输入，并以预测误差最小的DTI测量的束的子集作为输出。

  0 0

• 

  i3****526 2020-10-18

  脑神经网络结构连接：实验室和活体研究长连接的神经活动观测(A)神经或中枢神经纤维束的横切不可避免地引起顺行(沃勒)变性。(B)磁共振弥散加权成像用于在体内识别脑内纤维束的空间方向，使重建中枢通路成为可能。轴突传输纤维束跟踪技术：轴突运输的神经束追踪，体内成像的神经束，DTI的神经束追踪利用细胞类型特异性的启动子对特定神经元的连接进行遗传追踪：光遗传学和化学遗传学建立起神经活动、神经回路和行为之间的关系局部神经连接：利用与HRP结合的小麦胚芽凝集素的体外扩散来追踪人脑中的联系，结果非常有限。在固定的组织块中，亲脂染料沿着细胞膜扩散，会使得结果更有意义。组织纯化技术是应用在细胞的自然三维结构，尤其是神经元和神经胶质细胞，由于它们的分支延伸到许多方向，而做的体积成像技术。扩散追踪图扩散加权成像(DWI)是可以在体内定量估计纤维束，重构纤维束的特征颜色编码也使图像具有吸引力，从而使这种方法被广泛接受。 扩散系数衡量的是水在组织中平动的难易程度。

  0 0

• 

  i3****526 2020-10-18

  神经生理学：人脑图谱评价人脑解剖和功能连接的多模态研究方法能利用神经生物学中易计算的方法用来定义和分类神经网路脑网络分析通过整合现代神经生理及神经影像的脑映射技术来定义同一个脑图谱内的解剖和功能连接，其作为一种探索结构-功能连接机制的有力工具，同时揭示疾病病因学在网络连接异常和神经精神疾病间的相关性国际神经生理联盟（IFCN）人脑解剖-功能连接：最常用的结构和功能核磁共振，脑电图、脑磁图、非侵袭神经调控技术和评价局部及整体脑网络连接方法人类大脑的约1000亿个神经元和几千个神经突触连接可以用多种数学模型以复杂矩阵方式表示把空间上分离且周期性放电的神经元比喻成众多振荡器。在微观-介观-宏观层面上，它们用节点和连接边组成网络结构，通过以环路触发的瞬时激活/抑制(即协调同步)方式实现动态地聚集协作。神经系统被模拟成一系列节点（解剖和功能的神经元）和内在网络边（结构-功能连接）脑模型结构两个基本属性：不同功能脑区彼此分隔（包括认知、感觉运动整合、辨识和行为）；不同功能区通过神经元和区域间连接将功能整合。神经影像学技术能将脑活动可视化，脑网络分析是探索结构-功能网络有力工具。

  0 0

• 

  i3****526 2020-10-17

  2006年深度学习理论卷积神经网络的表征学习能力数值计算设备GPU计算集群为时间或频谱采样可能包含多个通道的数组平面上的二维像素点和RGB通道在通道或时间/频率维对输入数据进行归一化输入特征的标准化有利于提升卷积神经网络的学习效率和表现卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑输入-卷积层-池化层-全连接层-输出

  0 0

• 

  i3****526 2020-10-17

  现代的卷积神经网络对权重进行随机初始化后使用了随机梯度下降SGD进行学习，这一策略被其后的深度学习研究所保留。此外，LeCun (1989)在论述其网络结构时首次使用了“卷积”一词，“卷积神经网络”也因此得名。支持向量机SⅤM为代表的核学习兴起，为各类图像处理问题设计的卷积神经网络停留在了研究阶段，应用端的推广较少。在LeNet的基础上，1998年Yann LeCun及其合作者构建了更加完备的卷积神经网络LeNet-5并在手写数字的识别问题中取得成功。LeNet-5沿用了LeCun (1989) 的学习策略并在原有设计中加入了池化层对输入特征进行筛选。LeNet-5及其后产生的变体定义了现代卷积神经网络的基本结构，其构筑中交替出现的卷积层-池化层被认为能够提取输入图像的平移不变特征。LeNet-5的成功使卷积神经网络的应用得到关注，微软在2003年使用卷积神经网络开发了光学字符读取OCR系统。其它基于卷积神经网络的应用研究也得到展开，包括人像识别、手势识别等。

  0 0

• 

  i3****526 2020-10-17

  卷积神经网络的研究历史福岛邦彦1979-80年仿造生物的视觉皮层设计了一个具有深度结构的神经网络，并最早提出深度学习算法之一，其隐含层包括由S层和C层交替构成。其中S层单元在感受野内对图像特征进行提取，C层单元接收和响应不同感受野返回的相同特征。neocognitron模型的S层-C层组合能够进行特征提取和筛选，部分实现了卷积神经网络中卷积层和池化层的功能，被认为是启发了卷积神经网络的开创性研究。第一个卷积神经网络是1987年由Alexander Waibel等提出的时间延迟网络TDNN。这是一个应用于语音识别问题的卷积神经网络，使用FFT预处理的语音信号作为输入，其隐含层由2个一维卷积核组成，以提取频率域上的平移不变特征。由于在TDNN出现之前，人工智能领域在反向传播算法BP的研究中取得了突破性进展，因此TDNN得以使用BP框架内进行学习。在原作者的比较试验中，TDNN的表现超过了同等条件下的隐马尔可夫模型HMM，而后者是二十世纪80年代语音识别的主流算法。1988年，Wei Zhang提出了第一个二维卷积神经网络：平移不变人工神经网络（SIANN），并将其应用于检测医学影像。

  0 0

• 

  i3****526 2020-10-17

  卷积神经网络图像处理每个胶囊网络都会被分配给一个内在对象，并且通过强制模型学习特征方差来进行无特定角度识别。这使得外延性增加，意味着图像模型开始真正对镜头的所有视角有了良好的泛化及分类。胶囊网络还对空间信息进行编码，并且只进行"协议路由"，这意味着如果内容相似，网络仅向更高级别的图层发送较低级别特征，如眼睛、鼻子和嘴唇。显然，这是一个与卷积神经网络完全不同的范例。然而，也许正是这种处理图像识别的转变，才使设计数据集翻篇，转而构造出在日益复杂和按需要求的实际任务中表现更好的更智能且稳固的模型。卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络。是深度学习的代表算法之一，卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。时间延迟网络和LeNet-5是最早出现的卷积神经网络，被应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。

  0 0

• 

  i3****526 2020-10-17

  卷积神经网络CNNs将图像解析意味着它以蛮力来识别图像：记忆像素不同的图像时，往往记忆细节更丰富的表示形式，而忽略物体各部件（例如，薄轮胎+框架+手柄=自行车）。这主要是因为卷积神经网络无法像人类那样识别图像。确实，在标准数据集的完美环境中，旋转和平移不常见或不重要的简单任务下，CNNs表现良好。但是随着我们对图像处理的需求愈发增加，技术也需要被更新。解决不变量问题的一个方法是通过空间变换，它将在预测之前定义轴和图像边界。从而帮助纠正缩放（第一行）和旋转（第二行）所存在的不平衡，以及注意机制所存在的噪点（第三行）。空间变换网络还可以消除复杂畸变。鉴于三维视角的复杂性，它还能够超越旋转和缩放变换，具有十分重要的价值。还有其他几个架构，比如最近提出的缩放不变性卷积神经网络（SiCNN）：通过层级来明确建立识别单个部件——这是人类的自然识别方法。计算机视觉的任务就是推翻计算机图形。图形程序使用分层模型，根据位置不变的矩阵计算空间结构，视角只是一个矩阵乘法。因此，图像识别网络的目的应该是寻找视角表示和"内部"对象表示之间的关系，这种关系与视角无关。

  0 0

• 

  i3****526 2020-10-17

  卷积神经网络对图像处理中局限性滤波器无法捕获缩放。红色框表示当识别到实物图像时，滤波器处于高度激活状态。而当图像被缩放时，由于滤波器大小有限，滤波器处于任何位置都无法被高度激活。旋转也会出现同样问题。如果有些像素值与其他值相关，则滤波器只是产生高值的权重矩阵。由于滤波器是固定的，并且自上而下左右固定移动，因此它无法识别除此以外由其他轴向布局的图像。处理此问题的标准方法是数据增强，但这也不是一个很好的解决办法。卷积神经网络只需记忆，物体也可以从近似的方向以近似大小出现，而不一定泛化到所有视角。将网络暴露在各物体的所有视角实则实操性不强。处理这个问题的另一个方法是使用高维地图，但也十分低效。CNNs是对不变性建模的尝试——对神经活动进行池化或平滑以避免其被微小的变化影响，研究发现这个方向是错误的。其目的是使最终标签不随视角而改变。若是反其道而行之，提出以等方差作为目标——神经活动会根据视角的变化而改变。权重编码不随形状而改变，而不是为了激活滤波器。CNNs将图像解析为整个主体，而不是多物体的各部件。不能明确表示不同主体及其间关系，意味着它对于未识别过的对象分析强度降低。

  0 0

• 

  i3****526 2020-10-17

  卷积神经网络（CNN）标准数据集，卷积神经网络在图像处理及周边领域的开发进程和研究突破中发挥着重要作用往往由于过于追求理论和完美数据集而深陷其中。然而事与愿违，要求数据准确度到小数点后几位其实往往与现实情况中图像处理的实际用处恰恰相反。在无噪声且结果可预测的数据集环境下，所设计出的算法和方法很可能不符合现实情况而导致表现不佳。要求数据准确度到小数点后几位其实往往与现实情况中图像处理的实际用处恰恰相反。在无噪声且结果可预测的数据集环境下，所设计出的算法和方法很可能不符合现实情况而导致表现不佳、事与愿违。卷积神经网络特别容易产生"对抗性"输入，或对输入进行小改动，而这些改动会有意或无意地干扰神经网络正常工作。卷积神经网络在图像移动或旋转上的泛化能力很差，更不用说观察三维的不同角度了。由于整个图像都被同一卷积层滤波器扫描，所以不受平移影响。因为滤波器覆盖整个图像，所以无论被识别对象在左上方还是右下角都会被检测到。池化层有助于"总结"每个区域的识别结果以进一步优化，卷积层和池化层的存在也使得倾斜或缩放的物体在不同区域能被识别到。

  0 0

393 条记录 24/40 页 上一页 下一页 第一页 21 22 23 24 25 最后一页