通过深度学习网络揭示视网膜的结构组分
机器学习
2017-11-15 v1 计算机视觉与模式识别
神经元与认知
摘要
深度卷积神经网络（CNNs）在视觉对象分类任务上已展现出令人印象深刻的性能。此外，它也是预测视觉系统中记录的神经元响应的有用模型。然而，就视觉神经元回路而言，CNNs 学习了什么仍无清晰理解。由于从视网膜到高级视觉皮层的高度复杂回路，可视化 CNN 的特征以获取与神经科学基础的潜在联系并不容易。此处我们通过聚焦于单个视网膜神经节细胞以及来自蝾螈的简单模型和电生理记录来解决此问题。通过使用白噪声图像训练 CNNs 以预测神经响应，我们发现最终学习到的卷积滤波器类似于视网膜回路的生物组分。由这些滤波器表示的特征平铺了视网膜神经节细胞传统感受野的空间。这些结果表明 CNN 可用于揭示神经元回路的结构组分。
引用
@article{arxiv.1711.02837,
title = {Revealing structure components of the retina by deep learning networks},
author = {Qi Yan and Zhaofei Yu and Feng Chen and Jian K. Liu},
journal= {arXiv preprint arXiv:1711.02837},
year = {2017}
}
备注
Presented at NIPS 2017 Symposium on Interpretable Machine Learning