初级视觉皮层的旋转等变卷积神经网络模型
神经元与认知
2018-09-28 v1 机器学习
机器学习
摘要
经典模型将初级视觉皮层（V1）描述为一个由方向选择性线性-非线性（LN）或能量模型构成的滤波器组，但这些模型无法准确预测对自然刺激的神经元响应。近期工作表明基于卷积神经网络（CNNs）的模型可得出更准的预测，但除方向选择性与相位不变性外，V1 神经元提取哪些特征仍不清楚。在此，我们通过对执行相似计算的神经元分类，系统性研究 V1 计算。我们提出一种利用旋转等变卷积神经网络识别独立于单个神经元方向选择性的公共特征的框架，该网络自动以多种不同方向提取每个特征。我们将此模型拟合到利用双光子成像在小鼠初级视觉皮层记录的 6000 个神经元群体对自然图像的响应上。我们展示，我们的旋转等变网络不仅优于具有相同特征图数量的常规 CNN，还揭示了众多 V1 神经元共享的、偏离教科书式将 V1 视为 Gabor 滤波器组的典型观念的公共特征。我们的发现是迈向研究 V1 中非线性计算的强力新工具的第一步。
引用
@article{arxiv.1809.10504,
title = {A rotation-equivariant convolutional neural network model of primary visual cortex},
author = {Alexander S. Ecker and Fabian H. Sinz and Emmanouil Froudarakis and Paul G. Fahey and Santiago A. Cadena and Edgar Y. Walker and Erick Cobos and Jacob Reimer and Andreas S. Tolias and Matthias Bethge},
journal= {arXiv preprint arXiv:1809.10504},
year = {2018}
}