Campos receptivos visuales estáticos preconfigurados para percepciónagnóstica del entorno

Área de la Ciencia:

• Neurociencia computacional
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• Los cerebros biológicos exhiben una notable adaptabilidad a entornos dinámicos.
• Las redes neuronales profundas (DNN) convencionales tienen dificultades con los cambios de dominio, lo que limita su aplicabilidad en el mundo real.
• Las vías visuales tempranas en los cerebros biológicos desarrollan campos receptivos estáticos que ayudan en el reconocimientoagnóstico del entorno.

Objetivo del estudio:

• Investigar si los campos receptivos estáticos y cableados pueden mejorar la generalización de dominio de las redes neuronales profundas.
• Determinar si la imitación del procesamiento visual biológico mejora el aprendizaje continuo en sistemas artificiales.
• Explorar el impacto de los filtros fijos de capas tempranas en la robustez del reconocimiento de objetos.

Principales métodos:

• Se implementaron filtros Gabor predesarrollados en las capas tempranas de las DNN, manteniéndolos estáticos durante el entrenamiento.
• Se entrenaron y probaron redes bajo cambios de dominio significativos.
• Se compararon las capacidades de generalización y las propiedades representacionales de las DNN modificadas frente a las DNN convencionales.

Principales resultados:

• Las redes con filtros Gabor estáticos demostraron un aprendizaje continuo robusto y generalización entre dominios.
• Los filtros estáticos previnieron sesgos de textura locales, promoviendo la percepción basada en la forma similar a la de los primates.
• Las DNN modificadas lograron representaciones de espacio latente generalizadas, a diferencia de las DNN convencionales que capturan la varianza específica del dominio.

Conclusiones:

• Los campos receptivos estáticos y cableados son una estrategia biológica clave para el aprendizaje continuo confiable en entornos dinámicos.
• La incorporación de filtros estáticos inspirados biológicamente en las DNN mejora su robustez a los cambios de dominio.
• Este enfoque ofrece un camino hacia sistemas de inteligencia artificial más adaptables y generalizables.