这张图朝长进步的是卷积神经收集部分猜测精确率。可以看到，在被试真正看到图片的情况下，应用某些层的猜测精确率可以达到很高，跨越90%，在直接用这个收集迁徙到想象情况下，也可以达到一个高于随机猜测的精确率。明显看出，现有模型对于想象图片的猜测才能要差很多。其实鲜攀来竽暌剐必定事理，第一就是，想象和直接看肯定有不合的底层视觉机制。第二就是模型是基于真正看图片的情况来练习的，迁徙到别的一个类似却不完全雷同的义务上表示表示天然会差一些。

解梦的工作：

这篇文┞仿是重点讲的。再重点也不会逐字翻译，我只会把整体的逻辑讲通。爱好这篇文┞仿的同窗们迎接去看原文。

这篇文┞仿很奇妙的处地点于，他没做实验，用的是第一篇文┞仿的数据和第二篇文┞仿的模型。

Single category feature decoding with averaged trials

这里用的是书的例子，被试在做梦的时刻，可能会在多个梦境中都出现书这个物体，作者把这几个梦境对应的fMRI旌旗灯号加起来做平均，然后经由过程文┞仿2中练习处的Decoder 来猜测出当前梦境的特点矩阵，之后和书这个类其余特点矩阵做相干。

结不雅显示，高等脑区和神经收集的高层对于物体识其余效不雅比较好，当他们两结合在一路时刻产生的效不雅最好。

这个图涌如今第二篇文┞仿之中。a 是猜测的特点矩阵不合层和实际的特点值的比较，有必定的重合，解释Decoder 确实袈溱必定程度上学到了 大年夜fMRI旌旗灯号到卷积神经收集不合层特点的映射。B图是用不合视觉皮层猜测出来的feature value 和 实际的feature value 的比较。这里比较有趣的是，初级的视觉皮层，如V1，V2，V3 在拟禾逑点卷积神经收集 的时刻效不雅相对稍好，而高等视觉皮层(FFA ( fusiform face area,梭状回面孔辨认区，神经科学研究发明重要介入人脸辨认),PPA(Parahippocampal place area，神经科学发明重要介入场景辨认))在拟合高层卷积神经收集的时刻效不雅相对稍好。

当然，一个梦境琅绫擎只出现册页不实际，大年夜家都有如许的经历，梦境更多是一全部场景，会出现多个物体，如上图，这个梦境中，除了书还有一个汉子和食物。所以作者也做了这个实验，单个梦境琅绫擎多物体的辨认。用的是单个梦境对应fMRI旌旗灯号Decode出来的特点矩阵来和被试申报的所有类其余特点矩阵的平均矩阵做相干比较。这个猜测结不雅更差了，然则大年夜趋势上和上一个实验类似。高等脑区和收集的高层有更好的猜测才能。

最后一个实验，其实是重现了文┞仿1中最后的实验，在两个物体类别中找到真正在梦境中出现的那个类别。用的办法也是特点矩阵的相干。精确率大年夜大年夜高于第一篇文┞仿基于SVM(支撑向量机)的结不雅。

机械进修简介：机械进修算法是一类大年夜数据中主动分析获得规律，并应用规律对未知数据进行猜测的算法。比来大年夜火的深度进修则是机械进修的一个分支，重要用基于人工神经收集的各类办法来实现目标，如今有很多变种，本文中应用的神经收集是一个卷积神经收集(Convolutional Neural Networks， CNN)。

梦境中单物体类其余辨认。

这暗示着卷积神经收集和仁攀类视觉皮层有必定的类似性，初级主管局部特点，高层主管语义特点。

这里也可以看到的是，看到物体实验的结不雅在神经收集的中心层(4,5,6层)表示比较好，到最后层反倒有一个降低的趋势，这个趋势在想象的结不雅中也有表现。对于梦境这个实验，固然猜测效不雅同样大年夜于随机猜测，然则在7层出现了一个降低而又在8层回升的现象，模式与看图片和想图片的模式不符。暗示梦境的神经机制和视知觉固然有必定类似性，然则具体的机制还存在必定的差别。

夹带黑货。 用这个文┞仿的数据来扼要评论辩论下卷积神经收集和仁攀类视觉皮层的类似性。而这个类似性也是我写这篇文┞仿的原因之一。

Image feature decoding and the homology of CNN and the human brain.

在神经科学范畴，有类似的研究，证实 FFA，PPA 这种相对高等的皮层，会对更复杂的视觉刺激有比较强烈的反竽暌功，如FFA，重要对人脸反竽暌功，PPA 对物体，而底层皮层，如V1，V2，V3 更多的对调层视觉元素反竽暌功，如不合偏向的线以及色彩等等。作者用一种 Activation Maximization 的办法来生成更能刺激响应层的图片，并用这些图片来给被试看，并用这些数据的fMRI来生成特点矩阵。发清楚明了类似的现象。人越高等的皮层，拟合的结不雅对应高等卷积层的效不雅越好。

　　推荐阅读

　　左耳朵耗子：Go语言，Docker和新技术

日前，作为 Go 说话的三位开创人之一，Unix 老牌黑客罗勃·派克(Rob Pike)在新文┞仿“Go: Ten years and climbing”中，回想了一下 Go 说话的成长过程。个中提到，Go >>>详细阅读

本文标题：用深度学习来解析梦境中出现的物体

地址：http://www.17bianji.com/lsqh/38500.html

 1/2    1