Národní úložiště šedé literatury Nalezeno 1 záznamů.  Hledání trvalo 0.00 vteřin. 
Decoding visual stimuli from cortical activity
Vašek, Vojtěch ; Antolík, Ján (vedoucí práce) ; Šikudová, Elena (oponent)
Cílem této práce je vyvinout model pomocí metod strojového učení, který dokáže dekódovat obrazové stimuly z kortikální aktivity v primární zrakové kůře (V1) a umožní tak lépe pochopit vztah mezi aktivitou V1 a zrakovým vnímá- ním. Vzhledem k omezené dostupnosti biologických dat je nutné použít k vy- tvoření trénovacích dat model "spiking"neuronové sítě oblasti V1. Pro genero- vání kvalitních obrazových stimulů budou zkoumány techniky strojového učení, zejména neuronové sítě. K trénování dekódovacích modelů budou použity stan- dardní ztrátové funkce a také diskriminační ztrátová funkce známá z trénování sítí typu GAN. Lineární regresní modely budou použity jako referenční. Mezi otázky, které budou řešeny patří hledání vhodného modelu pro dekódování, vliv počtu zaznamenávaných neuronů nebo prezentovaných podnětů, ztráta infor- mace v oblasti vysokých frekvencí obrazu a vliv vnitřního šumu v neuronech na rekonstrukci vizuálních podnětů. Tato práce přináší trénovatelnou konvoluční síť, která překonává jiné jednodušší modely, jako je lineární regrese. Ukazuje, že ztrátovou funkcí, která poskytuje nejlepší výsledky, je MSSSIM. Vnitřní šum v neuronech však rekonstrukci omezuje a rekonstruují se především nízké frek- vence obrazu. Pro dekódování je důležitá velikost souboru trénovacích dat a počet zaznamenaných...

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