CNN-extracted features generate synthetic fMRI responses to unseen images
Notice bibliographique
Résumé
Inspired by biological vision, convolutional neural networks (CNNs) have tackled challenging image recognition problems once considered the sole purview of human expertise. In turn, CNNs are now widely used as a framework for studying human vision. The organizational similarity between the layers of CNNs and cortical regions along the visual pathway has been shown in studies using human fMRI data, such that early visual areas' activities are better predicted by the first layers of CNNs while their last layers better predict the response of higher-level visual areas. However, there is a lack of agreement on how well CNN features can predict fMRI responses, particularly in the presence of fMRI noise, which can result in varying brain responses to the repetitions of the same image. Additionally, the utility of these predicted responses to previously unseen images as synthetic fMRI data has not yet been explored. Here we use the BOLD5000 dataset and the AlexNet architecture initialized with the model weights pre-trained on ImageNet to show that features extracted by CNNs can g enerate highly accurate synthetic fMRI responses to images. We demonstrate that synthetic fMRI responses show higher correlations with repetitions of real responses than the real responses themselves, surpassing the quality of real data in the presence of noise. Moreover, we train a decoder with synthetic fMRI data to classify real fMRI data for unseen images and even unseen object categories. Our decoding experiments revealed that the synthetic data outperformed real data, particularly due to the ability to generate larger synthetic datasets. Our findings showcase the high quality of generated synthetic fMRI responses to images based on CNN features, exhibiting both similarities to real data and practical utility in empirical applications.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».