ランダムドットステレオグラムの表面を発見する自己組織化ニューラルネットワーク

科学分野:

• 計算神経科学とは
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• 標準的なバックプロパゲーション学習は外部教師を必要とし,生物学的知覚学習のモデルとしての妥当性を制限します.
• 無監督または自己監督の学習メカニズムの開発は,自然な学習プロセスを理解するために不可欠です.

研究 の 目的:

• バックプロパガンダの外部学習信号を内部派生信号に置き換えること.
• ニューラルネットワークが,知覚データにおける基礎構造を自律的に発見することを可能にする学習手順を実証する.

主な方法:

• 異なる部分の知覚の入力に共通する外部原因の仮定を利用する.
• 関連する感覚データ (例えば,異なるビュー,モダリティ,または画像パッチ) を分析する小さな専門モジュールを使用します.
• 相互に一貫した出力を生成し,それによって共通の原因を発見するためのトレーニングモジュール.

主要な成果:

• シミュレーションにより,隣接する2D画像パッチを分析するモジュールは,深さを推論することを学んだことが示されました.
• 神経ネットワークは,前もって3Dの知識なしで,曲線のある表面のランダムな点ステレオグラムを成功裏に解釈しました.
• 提案された方法は,知覚学習のタスクにおける外部教師の必要性を効果的に置き換えます.

結論:

• 共通原因の仮定に基づいた内部派生した学習信号は,無監督の知覚学習を容易にする可能性があります.
• このアプローチは,標準の逆転伝播と比較して,知覚学習のための生物学的により妥当なモデルを提供します.
• この方法は,2Dデータから3D表現を学習するために,機械ビジョンとロボット工学の潜在的応用があります.