Promotie Ibrahim Che Hashim

Trefwoorden: Predictieve codering; diepe leermethoden; visie
 

"Deep in Predictions: Unravelling Visual Perception with Deep Neural Networks Inspired by Hierarchical Predictive Coding"

Het proefschrift presenteert PrediRep, een nieuw type deep learning-netwerk dat imiteert hoe de hersenen visuele informatie verwerken, gebaseerd op de theorie van hiërarchische predictieve codering (hPC). hPC suggereert dat de hersenen leren door sensorische input te voorspellen met behulp van twee soorten neuronen: representatieneuronen die sensorische data vastleggen, en foutneuronen die verschillen detecteren tussen voorspellingen en werkelijke input. PrediRep gebruikt deep learning om een meerlagig netwerk te creëren dat videogegevens verwerkt, wat sterk lijkt op prikkels uit de echte wereld. Deze netwerkstructuur weerspiegelt de gelaagde organisatie van de hersenen en integreert zowel representatie- als fouteenheden op elk niveau, volgens de hPC-principes, beter dan andere netwerken. Hoewel PrediRep niet gericht is op het voorspellen van videoframes, is de prestatie vergelijkbaar met andere modellen, terwijl het minder parameters gebruikt. PrediRep toont consistent verschillende neurale fenomenen die in de visuele cortex worden waargenomen, zoals endstopping en oriëntatie-selectiviteit, wat de afstemming met hPC versterkt. Het biedt onderzoekers een hulpmiddel om visuele verwerking en de mechanismen van hPC te verkennen.
 

Klik hier voor de livestream.