A deep learning model of dorsal and ventral visual streams for DVSD
Notice bibliographique
Résumé
Artificial intelligence (AI) methods attempt to simulate the behavior and the neural activity of the brain. In particular, Convolutional Neural Networks (CNNs) offer state-of-the-art models of the ventral visual stream. Furthermore, no proposed model estimates the distance between objects as a function of the dorsal stream. In this paper, we present a quantitatively accurate model for the visual system. Specifically, we propose a VeDo-Net model that comprises both ventral and dorsal branches. As in the ventral visual stream, our model recognizes objects. The model also locates and estimates the distance between objects as a spatial relationship task performed by the dorsal stream. One application of the proposed model is in the simulation of visual impairments. In this study, however, we show how the proposed model can simulate the occurrence of dorsal stream impairments such as Autism Spectrum Disorder (ASD) and cerebral visual impairment (CVI). In the end, we explore the impacts of learning on the recovery of the synaptic disruptions of the dorsal visual stream. Results indicated a direct relationship between the positive and negative changes in the weights of the dorsal stream's last layers and the output of the dorsal stream under an allocentric situation. Our results also demonstrate that visual-spatial perception impairments in ASD may be caused by a disturbance in the last layers of the dorsal stream.
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 | 0,000 |
| 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 ».