La identificación no lineal de mapeo de las imágenes naturales con el comportamiento del sensor no estándar.
Objetivo: Diseñar y desarrollar nuevos modelos funcionales no lineales de los operadores visuales locales sobre la base de representaciones dispersas y métodos de análisis de componentes independientes, con el fin de encontrar a sofisticados dinámicos y estadísticos de pre-procesamiento de los módulos de secuencias de imágenes naturales.
Eso incluye los modelos basados en conductancias de neuronas ganglionares selectivas a la dirección de movimiento.
Métodos: Con el fin de entender mejor a la que se extiende no estándar respuestas de sensores visuales son capaces de procesar la señal visual, utilizando aún no dilucidado los mecanismos, nos proponemos explorar original, no lineal de asignación local a partir de imágenes naturales con un enfoque variacional en la mesoscópica nivel.
El marco general, ya está bien establecido y validado en los que no son triviales operadores visuales (Por ejemplo, la percepción del movimiento y la segmentación, detección de eventos visuales, etc) le permite a uno construir una vínculo entre (i) de alto nivel de especificación de cómo el cerebro representa y clasifica las causas de la su entrada sensorial y (ii) las redes neuronales relacionados con el analógicas o adición. Centrándose en el procesamiento visual, esta experiencia la visión por ordenador le permite a uno ver-de una clase bastante general de los cálculos técnicos es posible invocar directamente «lo que hay que hacer» (tarea perceptiva) con el» cómo hacerlo» (neuronal cálculo de la red). Más precisamente, en la visión por ordenador, computación eficiente utilizando
implementaciones de procesos de regularización permiten obtener una bien definida y potente estimaciones. Ellos (i) representan lo que se va a hacer como un problema de optimización, (ii) teniendo en cuenta mecanismos de regularización (implementado mediante la llamada diferencial parcial de las ecuaciones) y (iii) «Compilar» el análogo relacionado o clavar los parámetros de redes neuronales. Una aproximación objetiva de un operador de difusión de la llamada utiliza en los mecanismos de regularización, con una relación directa entre la formulación continua y la aplicación relacionada con la muestra está disponible, y un rápido aumento de mecanismos han sido exploradas en este contexto (Vieville et al, 2007).
Esto incluye no lineales los operadores locales sobre la base de las representaciones visuales dispersos e independientes métodos de análisis de componentes. Se propone aplicar este marco general en el contexto actual a fin de invertir de alguna manera diseñar el procesamiento no estándar células. El marco original tiene que ser revisada a fin de diseñar mecanismo bien fundado para aprender los parámetros adecuados, dado un conjunto de entrada / salida. Multi-modelo de los métodos de estimación se va a utilizar, para garantizar la estimación con un número mínimo de parámetros. Los trenes de Spike de codificación de la información va a ser considerado aquí (Cessac et al, 2009).
Este modelo no va a ser una descripción precisa de los procesos internos de la retina, sino de su entrada / salida de relación. El punto clave es que vamos a ser capaces de considerar las imágenes naturales secuencias (parciales y los estímulos no artificiales) como entrada, y por lo tanto necesitan algoritmos más sofisticados que para simples estímulos artificiales.
Pasos de la tarea:
(i) La formalización del modelo estándar de la retina LN transductor como un proceso variacional, y el análisis de los límites de este enfoque estándar.
(ii) la generalización del método original a las representaciones dispersas, de alto nivel estadística de la imagen operadores (utilizando, por ejemplo, ICA).
(iii) producción de una especificación para el simulador de la Tarea 4.
(iv) los trenes experimentales punta-puntos de referencia, utilizando los datos se procesan en la Tarea 3.
