抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
新皮質領域はカラムと層に組織化される。層間の結合は表面に対してほとんど垂直で,柱状機能組織を示唆した。いくつかの層は長距離の興奮性横方向接続を有し,柱間の相互作用を示唆全ての領域において類似パターンの連結性が存在するが,それらの正確な役割は謎のままである。本論文では,ロバストなオブジェクト学習と認識を実行するカラムと層からなるネットワークモデルを提案した。各カラムは,観測された物体の完全な予測モデルを学習するために,時間とともにその変化する入力を統合する。柱を横切る興奮性横方向接続は,隣接する柱の部分的知識に基づいて,ネットワークをより迅速に推論することを可能にする。カラムは時間と空間にわたって入力を統合するので,ネットワークは個々のセルの受容野を超えて良く拡張する複雑なオブジェクトのモデルを学習する。このネットワークモデルは,皮質柱に対する新しい特徴を導入した。著者らは,検出される物体に対する位置の表現を各柱のサブ粒層内で計算することを提案した。位置信号は,ネットワークへの入力として提供され,そこでは,それは官能データと結合される。著者らのモデルは2つの層と1つ以上のカラムを含む。シミュレーションにより,Hebbianのような学習ルールを用いることにより,小さな単一カラムネットワークが数百のオブジェクトを認識できることを示し,各オブジェクトは数十の特徴を含んでいる。マルチカラムネットワークは,感覚受容体の動きが有意に少ない物体を認識する。新皮質を通しての円柱状および層流連結性パターンの偏在性を与えて,著者らは,カラムおよび領域が以前に仮定したよりも強力な認識およびモデリング能力を有することを提案した。Copyright 2018 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】