Reproducir las capacidades de aprendizaje de pocos disparos de la vía ventral visual utilizando transformadores de...

Área de la Ciencia:

• Neurociencia computacional
• Aprendizaje automático
• Visión por computadora

Sus antecedentes:

• La cognición visual humana aprende rápidamente nuevas formas de objetos y se adapta a situaciones nuevas.
• La vía visual ventral es crucial para el reconocimiento de objetos.
• Los modelos existentes a menudo carecen de una perspectiva a nivel de sistema, lo que dificulta el aprendizaje robusto de pocos disparos.

Objetivo del estudio:

• Proponer un modelo computacional para el aprendizaje de pocos disparos inspirado en la corriente visual ventral.
• Desarrollar un enfoque a nivel de sistema para capacidades sólidas de aprendizaje a corto plazo.

Principales métodos:

• Se desarrolló un modelo computacional con una arquitectura neural macroscópica.
• Transformador de visión (ViT) reproducido extracción de características de V1 y V2.
• Los campos neuronales modelaron la actividad neuronal V4 y IT, con reglas de aprendizaje de Hebbian que conectan las neuronas.

Principales resultados:

• El modelo emula los mecanismos neuronales visuales y permite un aprendizaje eficiente.
• Se empleó una estrategia de adaptación a escala.
• El modelo superó a los algoritmos de aprendizaje de última generación en conjuntos de datos del mundo real.

Conclusiones:

• El modelo de aprendizaje automático inspirado en el flujo ventral logra un aprendizaje efectivo de pocos disparos.
• El modelo demuestra capacidades de aprendizaje similares a las humanas en datos del mundo real.