用于视网膜模型功能评估的机器学习方法
图像与视频处理
2022-02-08 v1 计算机视觉与模式识别
机器学习
摘要
视网膜假体领域的挑战推动了视网膜模型的发展，以准确模拟视网膜神经节细胞（RGCs）的响应。视网膜假体的目标是使盲人能够解决复杂的现实生活中的视觉任务。本文中，我们引入视网膜模型的功能评估（FA），其描述了在视觉理解任务上评估视网膜模型性能的概念。我们提出一种用于 FA 的机器学习方法：我们将视网膜模型生成的 RGC 响应输入传统机器学习分类器，以解决物体和数字识别任务（CIFAR-10、MNIST、Fashion MNIST、Imagenette）。我们考察了关键的 FA 方面，包括 FA 性能如何依赖于任务、如何最优地将 RGC 响应输入分类器，以及输出神经元数量如何与模型准确率相关。为了增加输出神经元数量，我们操纵输入图像——通过分割然后将它们输入视网膜模型，并且发现图像分割并未显著提升模型准确率。我们还表明，数据集结构的差异导致视网膜模型性能的大幅分化（MNIST 和 Fashion MNIST 超过 80% 准确率，而 CIFAR-10 和 Imagenette 达到约 40%）。此外，在标准评估中表现更好（即更准确预测 RGC 响应）的视网膜模型在 FA 中也表现更好。然而，与标准评估不同，FA 结果可以在比较视觉感知质量的背景下被直接解释。
引用
@article{arxiv.2202.02443,
title = {Machine Learning Method for Functional Assessment of Retinal Models},
author = {Nikolas Papadopoulos and Nikos Melanitis and Antonio Lozano and Cristina Soto-Sanchez and Eduardo Fernandez and Konstantina S Nikita},
journal= {arXiv preprint arXiv:2202.02443},
year = {2022}
}
备注
Accepted at 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC)