Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Neural Circuits01:25

Neural Circuits

3.0K
Neural circuits and neuronal pools are two of the main structures found in the nervous system. Neural circuits are networks of neurons that work together to carry out a specific task or process. They consist of interconnected neurons and glial cells, which provide structural and metabolic support.
Neuronal pools are collections of nerve cells with similar functions and interact through chemical and electrical signals. These pools include both interneurons (the central neural circuit nodes that...
3.0K
Vision01:24

Vision

60.8K
Vision is the result of light being detected and transduced into neural signals by the retina of the eye. This information is then further analyzed and interpreted by the brain. First, light enters the front of the eye and is focused by the cornea and lens onto the retina—a thin sheet of neural tissue lining the back of the eye. Because of refraction through the convex lens of the eye, images are projected onto the retina upside-down and reversed.
60.8K
Visual System01:26

Visual System

2.1K
Light enters the eye through the cornea, a transparent, dome-shaped surface covering the surface of the eyeball that helps to direct and focus incoming light. This light is then channeled toward the pupil, an adjustable opening whose size is controlled by the iris. The iris, a pigmented muscle, regulates the amount of light entering the eye by contracting or dilating the pupil, thereby ensuring optimal light levels for clear vision.
Once through the pupil, the light passes through the lens, a...
2.1K
Depth Perception and Spatial Vision01:15

Depth Perception and Spatial Vision

2.3K
Depth perception is the ability to perceive objects three-dimensionally. It relies on two types of cues: binocular and monocular. Binocular cues depend on the combination of images from both eyes and how the eyes work together. Since the eyes are in slightly different positions, each eye captures a slightly different image. This disparity between images, known as binocular disparity, helps the brain interpret depth. When the brain compares these images, it determines the distance to an object.
2.3K
Anatomy of the Eyeball01:20

Anatomy of the Eyeball

10.3K
The eye is a spherical, hollow structure composed of three tissue layers. The outer layer — the fibrous tunic, comprises the sclera — a white structure — and the cornea, which is transparent. The sclera encompasses some of the ocular surface, most of which is not visible. However, the 'white of the eye' is distinctively visible in humans compared to other species. The cornea, a clear covering at the front of the eye, enables light penetration. The eye's middle...
10.3K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Investigating the mechanisms underlying saccade generation in the frontal eye fields using multisite microstimulation.

Journal of neurophysiology·2026
Same author

State-switching navigation strategies in <i>Caenorhabditis elegans</i> are beneficial for chemotaxis.

Proceedings of the National Academy of Sciences of the United States of America·2026
Same author

Brain-wide arousal signals are segregated from movement planning in the superior colliculus of the macaque.

eLife·2026
Same author

Interactions across hemispheres in prefrontal cortex reflect global cognitive processing.

Nature communications·2026
Same author

Linking reaction time variability to physiological markers of arousal across timescales.

bioRxiv : the preprint server for biology·2026
Same author

From Breath to Behavior: Respiratory Features Predict Visual Detection Performance.

bioRxiv : the preprint server for biology·2026

関連する実験動画

Updated: Feb 28, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

1.1K

視覚野のコンパクトな深層ニューラルネットワークモデル

Benjamin R Cowley1,2, Patricia L Stan3,4,5, Jonathan W Pillow6

  • 1Cold Spring Harbor Laboratory, Cold Spring Harbor, NY, USA. cowley@cshl.edu.

Nature
|February 25, 2026
PubMed
まとめ
この要約は機械生成です。

研究者たちは、霊長類の視覚野を理解するために、コンパクトな深層ニューラルネットワーク（DNN）モデルを開発しました。これらのより小さなモデルは、神経応答を正確に予測し、視覚情報がどのように処理され、専門化されるかを明らかにします。

キーワード:
深層ニューラルネットワーク視覚野計算論的神経科学モデル圧縮特徴選択性

さらに関連する動画

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

10.1K
Computational Modeling of Retinal Neurons for Visual Prosthesis Research - Fundamental Approaches
10:50

Computational Modeling of Retinal Neurons for Visual Prosthesis Research - Fundamental Approaches

Published on: June 21, 2022

2.2K

関連する実験動画

Last Updated: Feb 28, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

1.1K
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

10.1K
Computational Modeling of Retinal Neurons for Visual Prosthesis Research - Fundamental Approaches
10:50

Computational Modeling of Retinal Neurons for Visual Prosthesis Research - Fundamental Approaches

Published on: June 21, 2022

2.2K

科学分野:

  • 計算論的神経科学
  • 機械学習
  • 霊長類の視覚システム

背景:

  • 深層ニューラルネットワーク（DNN）は神経応答のモデリングに強力なツールですが、しばしば大規模で複雑です。
  • 霊長類の視覚野内の計算を理解するには、予測モデルが必要です。

研究 の 目的:

  • 霊長類の視覚野の予測可能で簡潔なDNNモデルを開発すること。
  • 圧縮されたDNNモデルの内部動作を調査すること。

主な方法:

  • データ収集とDNNモデルトレーニングを組み合わせた適応型閉ループ実験。
  • 大規模DNNモデル（6000万パラメータ）を圧縮して、コンパクトなモデル（5000倍少ないパラメータ）を特定しました。
  • コンパクトモデルを分析して、計算モチーフとメカニズムを明らかにしました。

主要な成果:

  • マカク類視覚野V4の高予測DNNモデルを達成しました。
  • 大規模DNNモデルの圧縮に成功し、大幅に少ないパラメータで高い精度を維持しました。
  • 初期フィルターの共有と専門化された特徴選択性の統合という計算モチーフを発見しました。
  • ドット選択性V4ニューロンの回路仮説を特定しました。
  • 視覚野V1およびITの強力なモデル圧縮を示し、一般的な原理を示唆しました。

結論:

  • 個々のニューロン応答を予測するために、常に大規模なDNNが必要とされるわけではありません。
  • 予測と簡潔さのバランスをとるモデリングフレームワークが確立されました。
  • 視覚野には、特徴選択性の統合という一般的な計算原理が存在します。