电子商务网站建设的模式,镇江住房和城乡建设局网站,下载中心网站开发,网站 文件服务器来源#xff1a;全球人工智能 概要#xff1a;在过去某段时间里#xff0c;研究者们可能从来没有想过创建类似人类大脑处理任务一样的系统。 如何像人类大脑一样完成一项视觉任务是复杂的#xff0c;比如深度感知、目标跟踪、边缘检测等#xff0c;而扫描环境和定位是大脑… 来源全球人工智能 概要在过去某段时间里研究者们可能从来没有想过创建类似人类大脑处理任务一样的系统。 如何像人类大脑一样完成一项视觉任务是复杂的比如深度感知、目标跟踪、边缘检测等而扫描环境和定位是大脑经常做的事情这些都被人们认为是理所当然的事情。在过去某段时间里研究者们可能从来没有想过创建类似人类大脑处理任务一样的系统。然而在过去的50年中我们已经从神经科学中看似一些小的突破转向能够描述图片中场景的“电脑”。 在神经科学课程教学过程中有很多趣闻发生以帮助同学们更好地理解大脑是如何工作的。比如Phineas Gauge是一名美国的铁路工人在某次施工时遭遇爆炸事故被一根铁棍击穿头颅幸运的是他活了下来但是他的左额叶皮质受到损伤导致语言障碍同时也影响其生理性格还有Britten的论文描述大脑何时再混乱的移动点钟发现信号。所有这些零碎的研究开始加深我们对大脑如何工作的理解。 还有类似的一个例子为人类视觉和计算机视觉的大量研究奠定了基础那就是著名的Hubel和Wiesel的研究。由于二人在心理学上的突出贡献获得了1981年的诺贝尔和平奖此外他们在视觉系统的信息处理方面也获得了突破性的发现。他们打响了研究神经元的第一枪他们通过连接一个电极到一个神经元上就能够听到神经元对一条光的刺激作出的反应。他们对V1大脑皮层神经元的工作原理有了新的了解这是令人兴奋的新认识该研究有助于阐明V1神经元的映射和相关功能。 在下面的视频中演示了 V1神经元是如何对待位置和角度的光条做出反应的当光条移动时就会有裂纹这表明你听到猫的神经元对刺激做出的反应。 通过这个实验他们演示了几种类型的神经元只有在某些刺激下是如何被激活的另一个有趣的特征是细胞似乎自然地映射到不同角度如下图所示V1的每一部分都包含一组非常特殊的神经元这些神经元通常对特定角度的光条作出反应。 这些细胞的反应以某种方式结合起来理论上能够创建一个自下向上的自然世界形象也就是说通过接收许多神经元对各种光条的反应人类大脑开始绘制出周围的图景。 一晃近30年过去了江山代有才人出时代属于Olshausen和David JField二位研究者。两位研究人员都专注于计算神经科学领域这个领域主要是研究大脑如何编码和解码信息并推动了这个领域相关工作的进一步发展。事实上他们在自己的工作中引用了Hubel和Wiesel的研究成果。此外他们不只是注重单一的光条还拍摄了照片开始研究如何通过算法识别和编码图像内部的特征。 他们在1996年20多年前写的一篇叫做自然图像统计和高效编码本文的目的是讨论在图像识别应用中失败的Hebbian学习模型。具体来说Hebbian学习算法利用了主成分分析算法学习但存在的问题是该模型不能同时学习定位、定向以及带通结构来绘制自然图像。从理论上讲该模型部分源自于Hubel和Wiesel在关的研究成果除此之外对192个神经元的输出进行了建模。 他们的研究表明在对自然图像客观存在的规律进行编码时模型的建立更多地侧重于稀疏性会使得模型更有效。 使用一个稀疏模型该模型限制每个基函数列表所需的系数数目来表示一个图像中的各种特征由下式证明 其主体部分是为了找到实际图像和函数表示图像之间的最低平均误差。 然后与代价函数一起迫使算法限制表示图像表示所需的系数数量。 使用梯度下降算法最大限度地减少表示图像所需的系数数量但是该篇论文自身还没有显示出能够将特征转化为图像的神经网络。 在1991年互联网刚刚普及。现在科学已经从检测猫的神经元对光条刺激的反应转到神经网络的数学模型该模型能够输出图像的实际特征。在1996年的那篇论文中最后一行是“未来一项重要而令人兴奋的挑战将是如何将这些原理推理到更高级的皮层视觉领域以提供预测”。这是一个挑战通过利用低级的特然后创建一个自下而上的网络模型来真正地预测一副图像。 Olshausen等人的模型类似于上图如果你对深度学习了解的话那么对这个输出低级特征的矩阵看起来是不是非常熟悉。 在过去的几年中很多论文都使用了与上图非常相似的矩阵这些矩阵被用作卷积神经网络的卷积层。可以发现这应该是模拟单个神经元对视觉刺激的反应方式。 此时此刻利用这些低层次的特征来预测图像的实际背景不再是Olshausen等人论文中的最后一行中的理论猜想这在今天变成了现实。 这同时也说明了神经元能够识别光条的原因神经网络可以利用低层次的特征预测图像所包含的信息。2015年斯坦福大学的Andrej Karpathy和李飞飞发表了一篇关于这一问题的重要论文——Deep Visual-Semantic Alignments for Generating Image Descriptions。在这篇论文中演示了通过一个递归神经网络能够详细描述图像如下图所示不仅仅只是指出了图片中有一只猫或一只狗而且能够详细描述图像内容比如“男孩在尾板上做后空翻”等。虽然现在它并不完美但它相较于1968年而言仍是一个跨越式的发展 从1968年到现在这是一个漫长的发展过程。本文引用的论文从1968年开始到2015结束都快有50年的时间。然而从大局来看神经网络的发展只会越来越快它不仅仅只是用来识别图像还被用于医学图像的癌症检测、预测人类的情感表达、自动驾驶等等各个领域。
