Characterizing computations in a model of biological vision using deep-neural-network approaches.

Abstract

In this thesis, we examine two kinds of models of the primary visual cor- tex: a deep neural network for system identification and a spiking model of a cat's primary visual cortex. Further progress in modelling visual sys- tems can help us comprehend the brain's inner workings in greater detail; moreover, it can help to develop better visual prosthesis or further improve models that handle visual inputs, such as those used for object classification. We employ the state-of-the-art deep neural network to predict the responses of the spiking model when presented with natural stimuli. We demonstrate that by tuning the hyperparameters, the deep neural network explains ap- proximately 85% of the explainable variance observed in the responses of the spiking model. That is significantly more accurate than predictions of real neural responses, suggesting that real neurons possess certain charac- teristics not captured in the spiking model. However, we also argue that the network would not be capable of perfect predictions even when a large amount of data is provided. We show that the network encounters notable difficulties in modelling neurons with high noise and precisely predicting high firing rates. Furthermore, we analyse the network's representations by phase, orientation and size tuning. We illustrate that the...

V této práci zkoumáme dva druhy modelů primárního vizualního kor- texu: hlubokou neuronovou síť pro identifikaci systému a spiking neuronovou síť modelující primární vizuální kortex kočky. Další pokrok v modelování zrakových systémů nám může pomoci podrobněji pochopit vnitřní fungování mozku; navíc může pomoci vyvinout lepší zrakové protézy nebo dále zdokon- alit modely, které zpracovávají obrazové vstupy, například modely použí- vané pro klasifikaci objektů. K předvídání aktivací neuronů spiking neu- ronové sítě při prezentaci přirozených vizuálních podnětů používáme nejmod- ernější hlubokou neuronovou síť. Ukazujeme, že vyladěním hyperparametrů vysvětluje hluboká neuronová síť přibližně 85% vysvětlitelného rozptylu po- zorovaného v reakcích neuronů biologického modelu. To je výrazně přesnější ve srovnání s předpověďmi reakcí skutečných neuronovů, což naznačuje, že skutečné neurony mají určité vlastnosti, které nejsou v této spiking neuronové síti zachyceny. Zároveň však tvrdíme, že síť by nebyla schopna dokonalých předpovědí ani v případě, že by bylo k dispozici velké množství dat. Ukazu- jeme, že síť naráží na obtíže s modelováním neuronů, které vykazují velké množství šumu, a take s přesným předpovídáním vyšších počtů aktivací. Dále analyzujeme reprezentace natrénované neuronové sítě laděním fáze,...