利用深度学习网络揭示视网膜感受野的精细结构
神经元与认知
2020-02-19 v2 机器学习
摘要
深度卷积神经网络（CNNs）在许多视觉任务上展现出令人印象深刻的性能。最近，它们成为神经科学中视觉系统的有用模型。然而，目前仍不清楚 CNNs 就神经元回路而言学到了什么。当使用具有许多层的深度 CNN 来建模视觉系统时，由于从视网膜到高级视觉皮层的回路高度复杂，难以将 CNN 的结构组分与可能的神经科学基础进行比较。此处我们通过聚焦于单个视网膜神经节细胞，结合生物物理模型与来自动物的记录数据来解决此问题。通过使用白噪声图像训练 CNNs 以预测神经元响应，我们发现可以揭示视网膜感受野的精细结构。具体而言，学习到的卷积滤波器类似于视网膜回路的生物组分。这表明，从单个视网膜细胞学习的 CNN 揭示了该细胞中执行的最小神经网络。此外，当从不同细胞学习的 CNNs 在细胞间迁移时，迁移学习性能呈现多样性，表明 CNNs 具有细胞特异性。而且，当 CNNs 在不同类型输入图像（此处为白噪声与自然图像）间迁移时，迁移学习表现出良好性能，这意味着 CNNs 确实捕获了单个视网膜细胞针对不同输入的全部计算能力。综上，这些结果表明 CNNs 可用于揭示神经元回路的结构组分，并为神经系统辨识提供强大模型。
引用
@article{arxiv.1811.02290,
title = {Revealing Fine Structures of the Retinal Receptive Field by Deep Learning Networks},
author = {Qi Yan and Yajing Zheng and Shanshan Jia and Yichen Zhang and Zhaofei Yu and Feng Chen and Yonghong Tian and Tiejun Huang and Jian K. Liu},
journal= {arXiv preprint arXiv:1811.02290},
year = {2020}
}
备注
updated version