کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8686677 1580830 2018 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Generative adversarial networks for reconstructing natural images from brain activity
ترجمه فارسی عنوان
شبکه های مشاغل تولیدی برای بازسازی تصاویر طبیعی از فعالیت مغز
ترجمه چکیده
ما یک روش برای بازسازی محرک های بصری از فعالیت مغزی را کشف می کنیم. با استفاده از پایگاه داده های بزرگ از تصاویر طبیعی، ما یک شبکه متمرکز ژن کانولوشن عمیق را ایجاد کردیم که قادر به تولید عکس های خاکستری است، مانند تحریک هایی که در طی دو آزمایش تصویربرداری رزونانس مغناطیسی انجام می شود. با استفاده از یک مدل خطی، ما برای پیش بینی فضای پنهان مدل مولد از فعالیت مغز اندازه گیری یاد گرفتیم. هدف این بود که تصویری شبیه به تصویر محرک ارائه شده را از طریق ژنراتور آموزش دیده قبلی ایجاد کنیم. با استفاده از این روش ما قادر به بازسازی برخی از ویژگی های ساختاری و معنایی یک مجموعه از مجموعه تصاویر طبیعی بودیم. یک آزمون رفتاری نشان داد که افراد قادر به شناسایی بازسازی محرک اصلی در 67.2٪ و 66.4٪ از موارد در مقایسه دوسویه برای دو مجموعه داده های تصویر طبیعی بودند. رویکرد ما نیازی به آموزش یک مدل بزرگ تولیدی بر روی داده های تصویر برداری محدود نداشته است. پیشرفت های سریع در مدل سازی نسبی وعده بهبود بیشتر در عملکرد بازسازی.
موضوعات مرتبط
علوم زیستی و بیوفناوری علم عصب شناسی علوم اعصاب شناختی
چکیده انگلیسی
We explore a method for reconstructing visual stimuli from brain activity. Using large databases of natural images we trained a deep convolutional generative adversarial network capable of generating gray scale photos, similar to stimuli presented during two functional magnetic resonance imaging experiments. Using a linear model we learned to predict the generative model's latent space from measured brain activity. The objective was to create an image similar to the presented stimulus image through the previously trained generator. Using this approach we were able to reconstruct structural and some semantic features of a proportion of the natural images sets. A behavioural test showed that subjects were capable of identifying a reconstruction of the original stimulus in 67.2% and 66.4% of the cases in a pairwise comparison for the two natural image datasets respectively. Our approach does not require end-to-end training of a large generative model on limited neuroimaging data. Rapid advances in generative modeling promise further improvements in reconstruction performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: NeuroImage - Volume 181, 1 November 2018, Pages 775-785
نویسندگان
, , , , ,