A recurrent convolutional neural network model for visual feature integration in memory and across saccades
Notice bibliographique
Résumé
The stability of visual perception, despite ongoing shifts of retinal images with every saccade, raises the question of how the brain overcomes temporally and spatially separated visual inputs to provide a unified, continuous representation of the world through time. The brain could solve this challenge by retaining, updating and integrating the visual feature information across saccades. However, at this time there is no one model that accounts for this process at the computational and/or algorithmic level. Previously, feedforward convolutional neural network (CNN) models, inspired by hierarchical structure and visual processing in the ventral stream, have shown promising performance in object recognition (Bengio 2013). Here, we present a recurrent CNN to model the spatiotemporal mechanism of feature integration across saccades. Our network includes 5 layers: an input layer that receives a sequence of gaze-centered images, a recurrent layer of neurons with V1-like receptive fields (feature memory) followed by a pooled layer of the feature maps which reduces the spatial dependency of the feature information (similar to higher levels in the ventral stream), a convolutional map layer which is fully connected to an output layer that performs a categorization task. The network is trained on a memory feature integration task for categorization of integrated feature information collected at different time points. Once trained, the model showed how the feature representations are retained in the feature memory layer during a memory period and integrated with the new entering features. The next step is to incorporate internal eye movement information (intended eye displacement, eye velocity and position) in the model to see the effect of intended eye movements on updating of the feature maps. Our preliminary results suggest that recurrent CNNs provide a promising model of human visual feature integration and may explain the spatiotemporal aspects of this phenomenon across both fixations and saccades. Meeting abstract presented at VSS 2016
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».