用于动态视觉处理的预测编码：多时空尺度 RNN 模型中功能层级的发展
计算机视觉与模式识别
2017-09-07 v2
摘要
本文提出了一种新型预测编码类神经网络模型，即预测多时空尺度循环神经网络（P-MSTRNN）。P-MSTRNN 通过对每层使用不同大小的感受野以及不同的时间常数值，利用施加在网络动力学上的多尺度时空约束，学习预测视觉感知到的人类全身周期性运动模式。学习后，该网络能够通过预测误差的回归来推断或识别相应的意图，从而主动模仿目标运动模式。结果表明，该网络可以通过在每层发展出不同类型的动态结构来建立功能层级。本文研究了模式生成和预测模仿期间的模型性能如何随学习阶段而变化。与目标运动模式相对应的极限环吸引子的数量随着学习的进行而增加。并且，在学习过程早期发展出的瞬态动力学成功执行了模式生成和预测模仿任务。本文得出结论，利用瞬态动力学有助于在早期学习阶段成功执行任务。
引用
@article{arxiv.1708.00812,
title = {Predictive Coding for Dynamic Visual Processing: Development of Functional Hierarchy in a Multiple Spatio-Temporal Scales RNN Model},
author = {Minkyu Choi and Jun Tani},
journal= {arXiv preprint arXiv:1708.00812},
year = {2017}
}
备注
Accepted in Neural Computation (MIT press)