[ad_1]

میدان گیرنده (RF) یک نورون اصطلاحی است که به فضایی اطلاق می شود که وجود محرک پاسخ همان نورون را تغییر می دهد. پاسخ های نورون های بینایی و همچنین پدیده های ادراک بصری به طور کلی ، عملکردهای غیرخطی ورودی بصری هستند (در ریاضیات ، سیستم های غیرخطی پدیده هایی هستند که رفتار آنها نمی تواند به عنوان مجموع رفتار توصیف کنندگان آن بیان شود).

برعکس ، مدل های بینایی مورد استفاده در علم بر اساس مفهوم یک زمینه قابل درک خطی است. در هوش مصنوعی و یادگیری ماشینی ، از آنجا که شبکه های عصبی مصنوعی براساس مدل های کلاسیک بینایی بنا شده اند ، از میدان های پذیرای خطی نیز استفاده می کنند. مارسلو برتالمیو ، نویسنده اول کتاب به تازگی در ژورنال گروه Nature منتشر شده است ، گزارش های علمی.

این گزارش با معرفی مفهوم یک زمینه گیرنده غیرخطی ذاتی یا INRF ، مدل سازی حوزه پذیرش را به روشی غیرخطی پیشنهاد می کند.

در این مقاله مدل سازی زمینه پذیرایی به روش غیرخطی ، معرفی یک زمینه گیرنده ذاتی غیر خطی یا INRF پیشنهاد می شود. مطالعه ای توسط مارسلو برتالمیو ، الکس گومز ویلا ، آدریان مارتین ، خاویر وازکز-کورال و دیوید کین ، محققان گروه فناوری اطلاعات و ارتباطات UPF (DTIC) ، به همراه عیسی مالو ، محقق دانشگاه والنسیا.

یک رویکرد گسترده

INRF علاوه بر اینکه از نظر فیزیولوژیکی قابل قبول تر است و اصل نمایشی مodyثر را در بر می گیرد ، دارای ویژگی های اساسی مفاهیم گسترده ای است: برای چندین پدیده علوم تجسمی که در آنها RF خطی برای پیش بینی پاسخ ها بسته به ورودی متفاوت است خط RF برای هر محرک متفاوت است ، INRF می تواند در محرک های مختلف ثابت بماند.

برتالمیو اضافه می کند: “ما همچنین ثابت کرده ایم که شبکه های عصبی مصنوعی با ماژول های INRF به جای فیلترهای خطی به طرز چشمگیری عملکرد را بهبود بخشیده و برداشت های اساسی انسان را بهتر تقلید می کنند.” این مطالعه بر ماهیت غیرخطی ذاتی زمینه های پذیرش در بینایی تأکید دارد و تغییر پارادایمی را هم برای علم بینایی و هم برای هوش مصنوعی پیشنهاد می کند.

###

سلب مسئولیت: AAAS و EurekAlert! هیچ مسئولیتی در قبال صحت گزارشهای خبری منتشر شده در EurekAlert ندارند! از طریق موسسات کمک کننده یا استفاده از هرگونه اطلاعات از طریق سیستم EurekAlert.

[ad_2]

منبع: kolah-news.ir