Maschinelles Lernen (Neural Network, CNN) hat das menschliche Gehirn nachgeahmt. Durch die Verwendung wurde es möglich, die Gehirnreaktion (MRT) zu reproduzieren, wenn das Bild von dort aus betrachtet wurde! Und jetzt können Sie das Gegenteil tun! Mit anderen Worten, das Gegenteil ist der Fall, die Merkmalsmenge eines bestimmten Bildes kann aus dem Reaktionsergebnis der MRT vorhergesagt werden! Das ist.
Bis jetzt soll es Nachahmung gewesen sein, aber ich hatte das Gefühl, dass es ein Papier war, das bewies, dass es keine Metapher war, sondern mit wirklich großer Genauigkeit nachgeahmt wurde!
https://academic.oup.com/cercor/article/28/12/4136/4560155
Das Faltungs-Neuronale Netzwerk soll den Bildverarbeitungsmechanismus des Gehirns imitieren, ist aber klar geworden. Mit anderen Worten, neuere Untersuchungen haben gezeigt, dass → fMRI aus den Funktionen von CNN erstellt werden kann und umgekehrt! Es ist erstaunlich, dass CNN lernt, obwohl es die Zeitreihen nicht berücksichtigt! Ich fragte mich, ob Ende zu Ende so etwas ist. Ein Papier, das die Bidirektionalität zwischen CNN und fMRI verstärkt. Außerdem hat CNN nicht nur die Bauchseite (die ich bereits perfekt vorhergesagt habe), sondern auch die fMRI auf der Rückseite gut vorhergesagt! Obwohl der Grad niedrig ist. Durch direkte Dekodierung des fMRI-Signals konnten wir die charakteristischen Darstellungen des visuellen Raums und des semantischen Raums abschätzen und eine visuelle Rekonstruktion und semantische Klassifizierung durchführen. Meine Meinung: Dies ist nur eine Geschichte, die das gleiche Niveau wie fMRI erreicht hat, und FMRI sollte nicht vollständig verstanden werden. Es scheint nur ein anderer Weg zu sein, es so gut wie möglich zu verstehen, das heißt, es kann nur erklären, dass es keinen Widerspruch zwischen Methode A und Methode B gab. Das war's, das Faltungsnetzwerk ist erstaunlich! Das kann ich nicht sagen. Es besteht jedoch die Möglichkeit.
Ergebnisse zur Beziehung zwischen CNN und fMRI. Das CNN und das Gesichtsfeld teilen ähnliche Darstellungen von visuellen Merkmalen auf niedriger Ebene (z. B. Netzhaut-Topi) und semantischen Merkmalen auf hoher Ebene (z. B. Gesicht) sowie mehreren Zwischenstufen mit hoher Abstraktion. Es teilt auch eine hierarchische Darstellung visueller Informationen (Abb. 2). Ergebnisse und Relevanz für die Wiederherstellung der Nerven. Aus dem Ergebnis von CNN habe ich versucht herauszufinden, welche Gehirnregion durch ein lineares Regressionsmodell aktiviert wird. Durch Kennzeichnung klassifizieren.
Recommended Posts