La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Come vede una rete neurale Titolo della tesi. Scopo della tesi: simulare alcune proprietà del sistema visivo dei mammiferi attraverso lutilizzo di una.

Presentazioni simili


Presentazione sul tema: "Come vede una rete neurale Titolo della tesi. Scopo della tesi: simulare alcune proprietà del sistema visivo dei mammiferi attraverso lutilizzo di una."— Transcript della presentazione:

1 Come vede una rete neurale Titolo della tesi

2 Scopo della tesi: simulare alcune proprietà del sistema visivo dei mammiferi attraverso lutilizzo di una rete neurale

3 Che cosa verrà simulato? Immagini in bianco e nero (livelli di luminanza) Composizione spettrale del segnale Simulazione prevalentemente atemporale Complesse dinamiche neurali Trasformazioni in 2D Feed-back intermodale Interazioni a feed-back con lambiente esterno Trasformazioni in 3D E molto altro ancora….

4 Reti neurali Rete di neuroni biologici Rete neurale artificiale Sistemi nervosi artificiali che traggono ispirazione dai modelli biologici

5 Neurone Neurone biologicoNeurone artificiale X1X2X3 F(Att.) output input

6 Vantaggi delle reti neurali Plausibilità biologica Capacità di apprendere Adattabilità: sono applicabili a più domini (come i sistemi biologici) Veloci: processi in parallelo Robusti: errori e rumore degradano progressivamente la prestazione Rappresentazioni distribuite Possibilità di eseguire manipolazioni Somiglianza fra prestazioni umane e modelli

7 Il modello Tentativo di conciliare due diverse visioni del rapporto mente-cervello Neuroscienze Osservazioni psicologia sperimentale (percezione) dialogo

8 Strutture anatomiche simulate Parziale implementazione di Strutture retiniche NGL V1 Aree associative Sistema motivazionale

9 Caratteristiche funzionali simulate Elaborazione precoce dellimmagine visiva Eliminazione del rumore Estrazione delle variazioni di luminanza Prime fasi di elaborazione corticale (V1) Ricostruzione dellimmagine Livello associativo Rinforzo Attenzione selettiva

10 Schema generale della rete: Totale di neuroni artificiali e connessioni Implementazione: Visual Basic

11 Primo strato: recettori (istantanee del programma) Matrice dei recettori: 20 x recettori Livello di attivazione

12 Processo di smoothing Livellamento del rumore dellimmagine originaria Immagine + rumore Immagine percepita (depurata dal rumore)

13 Eliminazione del rumore: recettori Prima dellapplicazione del filtroDopo lapplicazione del filtro

14 Che cosa accade al segnale?

15 Estrazione delle variazioni di luminanza Le caratteristiche importanti dellimmagine sono racchiuse nelle variazioni di luminanza (spesso coincidenti con i bordi degli oggetti) Necessità di introdurre un ulteriore strato di unità la cui struttura riassume le funzioni delle cellule bipolari, gangliari e del NGL INTERMEDIE

16 Connessioni recettori center-ON e center-OFF Struttura del campo recettivo delle center-ON e center-OFF Elaborazione in parallelo

17 Proprietà funzionali center-ON e center-OFF Risposta di una center-ON in funzione della posizione dello stimolo luminoso

18 Simulazioni intermedie

19

20 Prime fasi di elaborazione corticale (V1) Campo recettivo concentrico Organizzazione modulare V1 Campo recettivo più complesso

21 Modello: unità semplici SI ed SII Salto concettuale rispetto alle intermedie Nuova classe di unità con CR allungato: necessità di elaborare proprietà complesse dellimmagine, non solo grandezze puntiformi Semplificazione della circuiteria corticale: solo due classi di unità semplici, SI ed SII Estrazione di contorni dellimmagine Sensibilità alle frequenze spaziali Sensibilità alla direzione del contrasto Che cosa chiediamo a queste unità?

22 Unità SI 6 classi di unità 2166 unità

23 Unità SII 8 classi di unità 1800 unità Simulazione della presenza di un set completo di cellule semplici per orientamento e frequenza spaziale

24 Feed-Back

25 Competizione locale Meccanismo di controllo della dinamica della rete In una data popolazione di unità con funzioni simili solo lunità più attiva trasmette il proprio output

26 Simulazioni SI Recettori Intermedie Campo recettivo Scala attivazione

27 Simulazioni SII Dopo la competizione locale

28 Effetto del Feed-Back Prima Dopo

29 Esempi 1

30 Esempi 2

31 Esempi 3

32 Obiettivi raggiunti Estrazione delle caratteristiche dellimmagine attraverso linterazione fra più stadi: ciò che viene perso in uno stadio è recuperato dal feed-back di quello successivo Ricostruzione dei valori di luminanza Migliore prestazione per stimoli con alta simmetria e periodicità (similmente al SV umano) Riproduzione di alcuni fenomeni percettivi: bande di Mach, contrasto simultaneo, facilità nellelabora_ zione di immagini simmetriche e periodiche

33 Ultimi stadi reagisca a delle semplici procedure di condizionamento modifichi le proprie prestazioni nel tempo: apprendimento relazione fra ambiente esterno ed interno (necessità dellorganismo) esibisca un processo di attenzione selettiva nei confronti degli stimoli che ha appreso essere più importanti: target e distrattori

34 Architettura Unità capaci di apprendere Unità che codificano per rinforzi - e + Unità associative Unità rinforzanti Neuroni artificiali che codificano per stati endogeni della rete (piacere-dolore)

35 Unità associative 12 unità Interamente interconnesse + connessioni da tutte SI + feed-back da SI Capaci di apprendimento Implementano una simu_ lazione di corteccia associativa Convergenza di segnali visivi e motivazionali e capacità di apprendere

36 Unità rinforzanti Interamente connesse con le associative Paia di unità che codificano per polarità opposte dello stimolo (simili a neur. ipotalamo e neur. facilitatori di Aplysya) Leggono linput motivazionale e generano un feed- back verso le associative: se le unità entrano in uno stato di risonanza, allora cè apprendimento 4 unità divise in due coppie

37 BA C AB Apprendimento Rafforzamento Indebolimento Prima dellapprendimento Dopo lapprendimento Sensibilità unità a diversi stimoli

38 Simulazione finale: apprendimento ed attenzione selettiva

39 Conclusioni A differenza di altri modelli, questa rete integra gli stadi precoci di elaborazione sensoriale con i meccanismi di controllo superiori Viene fornita una spiegazione computazionale del perché sia richiesta linibizione come meccanismo di controllo delle dinamiche neurali Una probabile spiegazione della preferenza nella percezione e nelle creazione di stimoli simmetrici e periodici può essere ricercata nella struttura delle SI ed SII Linibizione dei distrattori non è completa: questi forniscono ancora informazioni contestuali

40 Più alto è il livello dellinput motivazionale, maggiore è linibizione di ciò che circonda i distrattori. Una rete animata da passione?…... Fornisce una metodologia per passare dal livello microscopico della circuiteria neurale a quello macroscopico del comportamento Tutto ciò è stato fatto con neuroni artificiali molto stupidi: quanto più semplici le unità, tanto migliore larchitettura a parità di prestazioni

41 Fine


Scaricare ppt "Come vede una rete neurale Titolo della tesi. Scopo della tesi: simulare alcune proprietà del sistema visivo dei mammiferi attraverso lutilizzo di una."

Presentazioni simili


Annunci Google