Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Net2Brain: Una caja de herramientas para comparar modelos de visión artificial con las respuestas del cerebro humano

Created by
  • Haebom

Autor

Domenic Bersch, Kshitij Dwivedi, Martina Vilas, Radoslaw M. Cichy, Gemma Roig

Describir

Net2Brain es una herramienta gráfica con interfaz de usuario de línea de comandos para comparar los espacios de representación de redes neuronales profundas (DNN) con registros de EEG humanos. A diferencia de las herramientas existentes que solo admiten una función o se centran en un pequeño subconjunto de modelos supervisados ​​de clasificación de imágenes, Net2Brain extrae activaciones de más de 600 DNN entrenadas para realizar diversas tareas relacionadas con la visión (p. ej., segmentación semántica, estimación de profundidad, reconocimiento de acciones, etc.) a partir de conjuntos de datos de imágenes y vídeo. La herramienta calcula una matriz de similitud representacional (RDM) para estas activaciones y las compara con registros de EEG mediante un análisis de similitud representacional (RSA) que utiliza regiones de interés (ROI) específicas y búsqueda con reflector, así como un RSA ponderado. Además, se pueden añadir nuevos conjuntos de datos de estímulos y registros de EEG a la herramienta para su evaluación. Este artículo demuestra las capacidades y ventajas de Net2Brain mediante un ejemplo que muestra cómo probar hipótesis en neurociencia cognitiva computacional.

Takeaways, Limitations

Takeaways: Proporciona un conjunto completo de herramientas para comparar los espacios de representación de diversas redes neuronales profundas (DNN) y registros de EEG. Admite diversos métodos de análisis mediante RSA y RSA ponderado. Se pueden añadir nuevos conjuntos de datos. Proporciona una herramienta útil para la investigación en neurociencia cognitiva computacional.
Limitations: Actualmente centrado en tareas relacionadas con la visión. Falta de compatibilidad con otras modalidades (p. ej., auditiva). Se requiere planificación a largo plazo para la escalabilidad y el mantenimiento de las herramientas. Posible sesgo hacia arquitecturas o conjuntos de datos específicos de DNN.
👍