基于生物储备计算的神经启发式视觉模式识别

《INTERNATIONAL JOURNAL OF COMPUTER VISION》：Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing

　　

摘要

在本文中，我们提出了一种受神经科学启发的储层计算方法，其中由体外培养的皮质神经元网络作为物理储层。与依赖人工循环模型来模拟神经动态不同，我们的生物储层计算系统以活体神经回路的自发活动及刺激诱发的活动作为计算基础。高密度多电极阵列能够同时实现数百个通道的刺激和信号采集：输入信号通过选定的电极传递，其余电极则用于捕捉由此产生的高维神经反应，从而形成基于生物特性的特征表示。随后，一个线性输出层（单层感知器）被训练用来对这些储层状态进行分类，从而使活体神经网络能够在计算机视觉框架内执行静态视觉模式识别任务。我们通过一系列难度逐渐增加的任务来评估该系统，这些任务包括点状刺激、定向条状物、类似时钟数字的形状以及MNIST数据集中的手写数字。尽管生物神经反应存在固有的不确定性——这些不确定性源于噪声、自发活动以及不同实验间的差异——但该系统仍能持续生成有助于精确分类的高维特征表示。这些结果表明，体外培养的皮质神经元网络可以有效地用作静态视觉模式识别的储层，为将活体神经结构整合到类脑计算框架中开辟了新途径。从更广泛的角度来看，这项工作有助于将生物学原理融入机器学习领域，同时也通过展示活体神经系统如何为设计高效且基于生物特性的计算模型提供依据，推动了受神经科学启发的视觉技术的发展。