Self-Organization of Spiking Neural Networks for Visual Object Recognition
Lade...
Dateien
Datum
Autor:innen
Verlag
Philipps-Universität Marburg
Betreuer:innen
Zusammenfassung
Unser visuelles System hat zum einen die Fähigkeit, sehr ähnliche Objekte zu unter-
scheiden. Zum anderen können wir dasselbe Objekt wiedererkennen, obwohl sich
seine Abbildung auf der Netzhaut aufgrund des Blickwinkels, des Abstandes oder
der Beleuchtung stark unterscheiden kann. Diese Fähigkeit, dasselbe Objekt in un-
terschiedlichen Netzhaut-Bildern wiederzuerkennen, wird als invariante Objekterken-
nung bezeichnet und ist noch nicht sofort nach der Geburt verfügbar. Sie wird erst
durch Erfahrung mit unserer visuellen Umwelt erlernt.
Häufig sehen wir verschiedene Ansichten desselben Objektes in einer zeitlichen
Abfolge, zum Beispiel wenn es sich selbst bewegt oder wir es in unserer Hand be-
wegen, während wir es betrachten. Dies erzeugt zeitliche Korrelationen zwischen
aufeinander folgenden Netzhaut-Bildern, die dazu verwendet werden können, ver-
schiedene Ansichten desselben Objektes miteinander zu assoziieren. Theoretiker ver-
muten daher, dass eine synaptische Lernregel mit einer eingebauten Gedächtnisspur
(englisch: trace rule) dazu verwendet werden kann, invariante Objektrepräsentatio-
nen zu lernen.
In dieser Dissertation stelle ich Modelle für impulskodierende neuronale Netze
(englisch: spiking neural networks) zum Lernen invarianter Objektrepräsentationen
vor, die auf folgenden Hypothesen beruhen:
1. Anstelle einer synaptischen trace rule kann persistente Spike-Aktivität von ver-
netzten Neuronengruppen als eine Gedächtnis-Spur für Invarianz-Lernen die-
nen.
2. Kurzreichweitige laterale Verbindungen ermöglichen das Lernen von selbst
organisierenden topographischen Karten, welche neben räumlichen auch zeit-
liche Korrelationen abbilden.
3. Wird ein solches Netzwerk mit Bildern von kontinuierlich rotierenden Objek-
ten trainiert, so kann es Repräsentationen lernen, in denen Ansichten dessel-
ben Objekts benachbart sind. Derartige Objekttopographien können invariante
Objekterkennung ermöglichen.
4. Das Lernen von Repräsentationen sehr ähnlicher Muster kann durch anpas-
sungsfähige inhibierende Feedback-Verbindungen ermöglicht werden.
Die in Kapitel 3.1 vorgestellte Studie legt die Implementierung eines impulsko-
dierenden neuronalen Netzes dar, an welchem die ersten drei Hypothesen überprüft
wurden. Das Netzwerk wurde mit Stimulus-Sets getestet, in denen die Stimuli in
zwei Merkmalsdimensionen so angeordnet waren, dass sich der Einfluss von zeitli-
chen und räumlichen Korrelationen auf die gelernten topographischen Karten tren-
nen ließ. Die entstandenen topographischen Karten wiesen Muster auf, welche von
der zeitlichen Reihenfolge der beim Lernen präsentierten Objektansichten abhin-
gen. Unsere Ergebnisse zeigen, dass durch die Zusammenfassung der neuronalen
Aktivitäten aus einer lokalen Nachbarschaft der topographischen Karten invariante
Objekterkennung ermöglicht wird.
Das Kapitel 3.2 beschäftigt sich mit der vierten Hypothese. In dieser Publikation
wurden die Untersuchungen dazu beschrieben, wie adaptive Feedback-Inhibition
(AFI) die Fähigkeit eines Netzwerkes verbessern kann, zwischen sehr ähnlichen
Mustern zu unterscheiden. Die Ergebnisse zeigen, dass mit AFI schneller stabile
Muster-Repräsentationen gelernt wurden und dass Muster mit einem höheren Grad
an Ähnlichkeit unterschieden werden konnten als ohne AFI.
Die Ergebnisse von Kapitel 3.1 zeigen eine funktionale Rolle für topographische
Objekt-Repräsentationen auf, welche aus dem inferotemporalen Kortex bekannt sind,
und erklären, wie diese sich herausbilden können. Das AFI-Modell setzt einen Aspekt
der Predictive Coding-Theorie um: die Subtraktion einer Vorhersage vom tatsächli-
chen Input eines Systems. Die erfolgreiche Implementierung dieses Konzepts in ei-
nem biologisch plausiblen Netzwerk impulskodierender Neuronen zeigt, dass das
Predictive Coding-Prinzip in kortikalen Schaltkreisen eine Rolle spielen kann.
Review
Metadaten
Beteiligte Personen
Supervisor:
Datum
Erstellt: 2019Veröffentlicht: 2020-02-04Geändert: 2020-02-04
Fachbereich
Fachbereich Biologie
Herausgebende Einrichtung
Philipps-Universität Marburg
Sprache
eng
Dokumenttypen
DoctoralThesis
Schlagwörter
Topographic MapsLearningSpiking Neural NetworksVisuelle ObjekterkennungVisual Object RecognitionTopographische KartenPredictive Coding
DFG-Fächer
Visuelles SystemGehirnObjekterkennungKünstliche IntelligenzMaschinelles Lernen
DDC-Nummern
570
mehr anzeigen
Michler, Frank: Self-Organization of Spiking Neural Networks for Visual Object Recognition. : Philipps-Universität Marburg 2020-02-04. DOI: https://doi.org/10.17192/z2020.0064.