“Come vede una rete neurale”

Presentazione sul tema: "“Come vede una rete neurale”"— Transcript della presentazione:

1 “Come vede una rete neurale”
Titolo della tesi “Come vede una rete neurale”

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

3 Che cosa verrà simulato?
NO Immagini in bianco e nero (livelli di luminanza) Composizione spettrale del segnale Complesse dinamiche neurali Simulazione prevalentemente atemporale Feed-back intermodale Interazioni a feed-back con l’ambiente esterno Trasformazioni in 2D Trasformazioni in 3D E molto altro ancora….

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

5 Neurone  input output Neurone biologico Neurone artificiale F(Att.)
X1 X2 X3  F(Att.) output

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

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

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

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

10 Schema generale della rete: Totale di 5.176 neuroni artificiali e connessioni Implementazione: Visual Basic

11 Primo strato: recettori
Matrice dei recettori: 20 x 20 400 recettori Livello di attivazione (istantanee del programma)

12 Processo di smoothing Livellamento del rumore dell’immagine originaria
Immagine + rumore Immagine percepita (depurata dal rumore)

13 Eliminazione del rumore: recettori
Prima dell’applicazione del filtro Dopo l’applicazione del filtro

14 Che cosa accade al segnale?

15 Estrazione delle variazioni di luminanza
Le caratteristiche importanti dell’immagine 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 Center-ON Center-OFF

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 Simulazioni intermedie

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

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

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 l’unità più attiva trasmette il proprio output 20 20 5 10 15 10

26 Simulazioni SI Intermedie Recettori 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 dell’immagine
attraverso l’interazione 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 nell’elabora_ zione di immagini simmetriche e periodiche

33 Ultimi stadi Vogliamo che la rete reagisca a delle semplici
procedure di condizionamento modifichi le proprie prestazioni nel tempo: apprendimento relazione fra ambiente esterno ed interno (necessità dell’organismo) 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 associative
Unità che codificano per rinforzi - e + Unità rinforzanti Neuroni artificiali che codificano per stati “endogeni” della rete (piacere-dolore)

35 Convergenza di segnali visivi e motivazionali e capacità di apprendere
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 4 unità divise in due coppie Paia di unità che codificano per polarità opposte dello stimolo (simili a neur. ipotalamo e neur. facilitatori di Aplysya) “Leggono” l’input motivazionale e generano un feed-back verso le associative: se le unità entrano in uno stato di risonanza, allora c’è apprendimento

37 Apprendimento Indebolimento Rafforzamento A A B B C Sensibilità
unità a diversi stimoli Prima dell’apprendimento Dopo l’apprendimento

38 Simulazione finale: apprendimento ed attenzione selettiva

39 Conclusioni Viene fornita una spiegazione computazionale del perché
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 l’inibizione 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 L’inibizione dei distrattori non è completa: questi forniscono ancora informazioni contestuali

40 Più alto è il livello dell’input motivazionale, maggiore è
l’inibizione 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 l’architettura a parità di prestazioni

41 Fine