{"id":346,"date":"2012-06-07T16:56:00","date_gmt":"2012-06-07T14:56:00","guid":{"rendered":"http:\/\/project.inria.fr\/keops\/?page_id=346"},"modified":"2012-07-24T17:17:24","modified_gmt":"2012-07-24T15:17:24","slug":"recherche-modeliser","status":"publish","type":"page","link":"https:\/\/project.inria.fr\/keops\/es\/recherche-2\/recherche-modeliser\/","title":{"rendered":"Investigacion : Modelaci\u00f3n"},"content":{"rendered":"

La identificaci\u00f3n no lineal de mapeo de las im\u00e1genes naturales con el comportamiento del sensor no est\u00e1ndar.<\/span><\/strong><\/p>\n

Objetivo:<\/strong> Dise\u00f1ar y desarrollar nuevos modelos funcionales no lineales de los operadores visuales locales sobre la base de\u00a0representaciones dispersas y m\u00e9todos de an\u00e1lisis de componentes independientes, con el fin de encontrar a\u00a0sofisticados din\u00e1micos y estad\u00edsticos de pre-procesamiento de los m\u00f3dulos de secuencias de im\u00e1genes naturales.
\nEso incluye los modelos basados en conductancias de neuronas ganglionares selectivas a la direcci\u00f3n de movimiento.<\/p>\n

M\u00e9todos:<\/strong> Con el fin de entender mejor a la que se extiende no est\u00e1ndar respuestas de sensores visuales\u00a0son capaces de procesar la se\u00f1al visual, utilizando a\u00fan no dilucidado los mecanismos, nos proponemos explorar\u00a0original, no lineal de asignaci\u00f3n local a partir de im\u00e1genes naturales con un enfoque variacional en la\u00a0mesosc\u00f3pica nivel.<\/p>\n

El marco general, ya est\u00e1 bien establecido y validado en los que no son triviales operadores visuales\u00a0(Por ejemplo, la percepci\u00f3n del movimiento y la segmentaci\u00f3n, detecci\u00f3n de eventos visuales, etc) le permite a uno construir una\u00a0v\u00ednculo entre (i) de alto nivel de especificaci\u00f3n de c\u00f3mo el cerebro representa y clasifica las causas de la\u00a0su entrada sensorial y (ii) las redes neuronales relacionados con el anal\u00f3gicas o adici\u00f3n. Centr\u00e1ndose en el procesamiento visual,\u00a0esta experiencia la visi\u00f3n por ordenador le permite a uno ver-de una clase bastante general de los c\u00e1lculos t\u00e9cnicos\u00a0es posible invocar directamente \u00ablo que hay que hacer\u00bb (tarea perceptiva) con el\u00bb c\u00f3mo hacerlo\u00bb (neuronal\u00a0c\u00e1lculo de la red). M\u00e1s precisamente, en la visi\u00f3n por ordenador, computaci\u00f3n eficiente utilizando<\/p>\n

implementaciones de procesos de regularizaci\u00f3n permiten obtener una bien definida y potente\u00a0estimaciones. Ellos (i) representan lo que se va a hacer como un problema de optimizaci\u00f3n, (ii) teniendo en cuenta\u00a0mecanismos de regularizaci\u00f3n (implementado mediante la llamada diferencial parcial de las ecuaciones) y (iii)\u00a0\u00abCompilar\u00bb el an\u00e1logo relacionado o clavar los par\u00e1metros de redes neuronales. Una aproximaci\u00f3n objetiva\u00a0de un operador de difusi\u00f3n de la llamada utiliza en los mecanismos de regularizaci\u00f3n, con una relaci\u00f3n directa entre\u00a0la formulaci\u00f3n continua y la aplicaci\u00f3n relacionada con la muestra est\u00e1 disponible, y un r\u00e1pido aumento de mecanismos han sido exploradas en este contexto (Vieville et al, 2007).<\/p>\n

Esto incluye no lineales los operadores locales sobre la base de las representaciones visuales dispersos e independientes\u00a0m\u00e9todos de an\u00e1lisis de componentes. Se propone aplicar este marco general en el contexto actual\u00a0a fin de invertir de alguna manera dise\u00f1ar el procesamiento no est\u00e1ndar c\u00e9lulas. El marco original\u00a0tiene que ser revisada a fin de dise\u00f1ar mecanismo bien fundado para aprender los par\u00e1metros adecuados,\u00a0dado un conjunto de entrada \/ salida. Multi-modelo de los m\u00e9todos de estimaci\u00f3n se va a utilizar, para garantizar la\u00a0estimaci\u00f3n con un n\u00famero m\u00ednimo de par\u00e1metros. Los trenes de Spike de codificaci\u00f3n de la informaci\u00f3n va a ser considerado aqu\u00ed (Cessac et al, 2009).<\/p>\n

Este modelo no va a ser una descripci\u00f3n precisa de los procesos internos de la retina, sino de su\u00a0entrada \/ salida de relaci\u00f3n. El punto clave es que vamos a ser capaces de considerar las im\u00e1genes naturales\u00a0secuencias (parciales y los est\u00edmulos no artificiales) como entrada, y por lo tanto necesitan algoritmos m\u00e1s sofisticados\u00a0que para simples est\u00edmulos artificiales.<\/p>\n

\"\"<\/a><\/p>\n

Pasos de la tarea:<\/strong><\/p>\n

(i) La formalizaci\u00f3n del modelo est\u00e1ndar de la retina LN transductor como un proceso variacional, y el an\u00e1lisis de los l\u00edmites de este enfoque est\u00e1ndar.<\/p>\n

(ii) la generalizaci\u00f3n del m\u00e9todo original a las representaciones dispersas, de alto nivel estad\u00edstica de la imagen operadores (utilizando, por ejemplo, ICA).<\/p>\n

(iii) producci\u00f3n de una especificaci\u00f3n para el simulador de la Tarea 4.<\/p>\n

(iv) los trenes experimentales punta-puntos de referencia, utilizando los datos se procesan en la Tarea 3.<\/p>\n

 <\/p>\n

 <\/p>","protected":false},"excerpt":{"rendered":"

La identificaci\u00f3n no lineal de mapeo de las im\u00e1genes naturales con el comportamiento del sensor no est\u00e1ndar. Objetivo: Dise\u00f1ar y desarrollar nuevos modelos funcionales no lineales de los operadores visuales locales sobre la base de\u00a0representaciones dispersas y m\u00e9todos de an\u00e1lisis de componentes independientes, con el fin de encontrar a\u00a0sofisticados din\u00e1micos y estad\u00edsticos de pre-procesamiento de … <\/p>\n

Seguir leyendo<\/a><\/p>\n","protected":false},"author":36,"featured_media":0,"parent":128,"menu_order":2,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-346","page","type-page","status-publish","hentry","nodate","item-wrap"],"_links":{"self":[{"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/pages\/346","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/users\/36"}],"replies":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/comments?post=346"}],"version-history":[{"count":8,"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/pages\/346\/revisions"}],"predecessor-version":[{"id":649,"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/pages\/346\/revisions\/649"}],"up":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/pages\/128"}],"wp:attachment":[{"href":"https:\/\/project.inria.fr\/keops\/es\/wp-json\/wp\/v2\/media?parent=346"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}