Metamer generation 2.0: using fMRI and deep learning to assess the specificity of human visual processing and encoding
Notice bibliographique
Résumé
This methodological research validates the most efficient approach to generate metameric stimuli i.e., stimuli recruiting different populations of neurons in different brain regions. We first trained different encoding models to predict linearly the fMRI activation for an image in each visual ROI, based on the activation of each layer in deep convolutional neural networks (DCNN). To find the most accurate models, we then compared multiple DCNN trained to classify object categories on millions of images, and different fMRI datasets of natural images. Using the most accurate encoding models, we predicted the fMRI activation associated with an image X and iteratively found the image X’ (representing a metamer of X) with an Adam optimizer function. We compared different loss function to minimize the distance between X and X' in some parts of the visual cortex (IT to V2) but maximize the distance in other parts of visual processing (V1). For the image X, we changed the loss function parameter and calculated the images X', X'' and X''' which represent gradual metamers of image X for each part of the visual system, where X' is different from X in V1, X'' is different from X in V1 and V2, X''' in V1, V2 and V4. This approach allows a better understanding of the role of different levels in the visual ventral stream by mapping the activated brain areas in a more interpretable space - that of stimuli - and make possible the development of more precise experimental protocols in visual neuroscience.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».