Národní úložiště šedé literatury Nalezeno 1 záznamů.  Hledání trvalo 0.00 vteřin. 
Deep-learning architectures for analysing population neural data
Houška, Petr ; Antolík, Ján (vedoucí práce) ; Pilát, Martin (oponent)
Modelování zrakového systému je klíčové k pochopení, jak mozek zpracovává vizuální informace. V posledních letech se v tomto oboru etablovaly metody hlubokého učení. Jen málo výzkumů se, ovšem pokusilo zkombinovat známé anatomické vlastnosti zrakového systému s přístupy hlubokého učení, adaptovanými z klasického strojového učení, s cílem zlepšit přesnost a interpretovatelnost výsledných modelů na obrazových datech. V této práci se zaměříme na optimalizaci biologicky inspirované hluboké architektury, navržené pro modelování populačních dat zachycených z primární zrakové kůry savčích mozků při zrakové stimulaci fotkami přírodních motivů. Tento model reimplementujeme v rámci existujícího frameworku zaměřeného na neurobiologické modelování pomocí metod hlubokého učení NDN3 a posoudíme jej v kontextu stability a citlivosti vůči změnám hyperparametrů a ladění architektury. Následně tento model rozšíříme o komponenty z architektur klasického hlubokého strojového vidění a porovnáme tyto nové kombinace s biologicky inspirovanými verzemi. Podařilo se nám identifikovat modifikace, které výrazně zlepšují stabilitu modelu a zároveň dosahují středního zlepšení v přesnosti. Taktéž jsme zdokumentovali důležitost ladění hyperparametrů vůči větším architektonickým změnám, a tím položili základy dalšímu výzkumu nových...

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.