Un novedoso sistema visual artificial para la detección de dirección de movimiento con vía selectiva de dirección retiniana completamente modelada
Autores: Tao, Sichen; Zhang, Xiliang; Hua, Yuxiao; Tang, Zheng; Todo, Yuki
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un novedoso sistema visual artificial para la detección de dirección de movimiento con vía selectiva de dirección retiniana completamente modelada
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Características visuales fundamentales
Células ganglionares selectivas de dirección
Vía retiniana
Direcciones de movimiento
Sistema visual artificial
AVS
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
Algunas características visuales fundamentales se han encontrado que son completamente extraídas antes de llegar a la corteza cerebral. Nos enfocamos en las células ganglionares selectivas de dirección (DSGCs), que existen en el extremo terminal de la vía retiniana, en la vanguardia del sistema visual. Al utilizar una vía en capas compuesta por varias células relevantes en la etapa temprana de la retina, las DSGCs pueden extraer múltiples direcciones de movimiento que ocurren en el campo visual. Sin embargo, a pesar de una cantidad considerable de investigación exhaustiva (desde células hasta estructuras), no se ha llegado a una conclusión definitiva que explique los detalles específicos de los mecanismos subyacentes. En este documento, aprovechando algunas conclusiones importantes de la investigación en neurociencia, proponemos un modelo cuantificado completo para la vía de selección de dirección de movimiento retiniano y elucidamos el mecanismo de adquisición de información de dirección de movimiento global desde las DSGCs hasta la corteza utilizando un mecanismo neural de disparo simple. Este mecanismo se denomina sistema visual artificial (AVS). Realizamos pruebas exhaustivas, incluidos un millón de conjuntos de instancias de movimiento de objetos binarios bidimensionales de ocho direcciones con 10 tamaños de objetos diferentes y formas de objetos aleatorias. También evaluamos la resistencia al ruido y el rendimiento de generalización de AVS al introducir ruidos estáticos y dinámicos aleatorios. Además, para validar a fondo la eficiencia de AVS, comparamos su rendimiento con dos algoritmos de aprendizaje profundo de última generación (LeNet-5 y EfficientNetB0) en todas las pruebas. Los resultados experimentales demuestran que debido a su diseño y características altamente biomiméticos, AVS exhibe un rendimiento sobresaliente en la detección de dirección de movimiento. Además, AVS posee ventajas de computación biomimética en términos de implementación de hardware, dificultad de aprendizaje y cantidad de parámetros.
Descripción
Algunas características visuales fundamentales se han encontrado que son completamente extraídas antes de llegar a la corteza cerebral. Nos enfocamos en las células ganglionares selectivas de dirección (DSGCs), que existen en el extremo terminal de la vía retiniana, en la vanguardia del sistema visual. Al utilizar una vía en capas compuesta por varias células relevantes en la etapa temprana de la retina, las DSGCs pueden extraer múltiples direcciones de movimiento que ocurren en el campo visual. Sin embargo, a pesar de una cantidad considerable de investigación exhaustiva (desde células hasta estructuras), no se ha llegado a una conclusión definitiva que explique los detalles específicos de los mecanismos subyacentes. En este documento, aprovechando algunas conclusiones importantes de la investigación en neurociencia, proponemos un modelo cuantificado completo para la vía de selección de dirección de movimiento retiniano y elucidamos el mecanismo de adquisición de información de dirección de movimiento global desde las DSGCs hasta la corteza utilizando un mecanismo neural de disparo simple. Este mecanismo se denomina sistema visual artificial (AVS). Realizamos pruebas exhaustivas, incluidos un millón de conjuntos de instancias de movimiento de objetos binarios bidimensionales de ocho direcciones con 10 tamaños de objetos diferentes y formas de objetos aleatorias. También evaluamos la resistencia al ruido y el rendimiento de generalización de AVS al introducir ruidos estáticos y dinámicos aleatorios. Además, para validar a fondo la eficiencia de AVS, comparamos su rendimiento con dos algoritmos de aprendizaje profundo de última generación (LeNet-5 y EfficientNetB0) en todas las pruebas. Los resultados experimentales demuestran que debido a su diseño y características altamente biomiméticos, AVS exhibe un rendimiento sobresaliente en la detección de dirección de movimiento. Además, AVS posee ventajas de computación biomimética en términos de implementación de hardware, dificultad de aprendizaje y cantidad de parámetros.