维也纳大学的研究人员调查了人工智能是如何对图像进行分类的。研究结果显示出与自然界视觉系统惊人的相似之处
如何教机器识别图像中的对象？近年来，这方面取得了巨大进展。例如，在神经网络的帮助下，动物的图像可以以非常高的成功率分配给各个物种。这是通过在许多样本图像的帮助下训练神经网络来实现的。网络是逐步调整的，直到它最终尽可能精确地得出正确的答案
然而，通常情况下，哪些结构是在这个过程中形成的，哪些机制是在神经网络中发展起来的，最终导致目标，这仍然是一个谜
由Radu Grosu教授领导的TU Wien团队和由Daniela Rus教授领导的麻省理工学院团队现在已经准确地研究了这个问题，并得出了一些惊人的结果：人工神经网络中形成的结构与动物或人类神经系统中出现的结构极为相似
该团队于5月在维也纳举行的国际学习表征会议（ICLR 2024）上介绍了他们的研究。
多层神经元
“我们使用所谓的卷积神经网络。这些是人工神经网络，通常用于处理图像数据，”维也纳大学计算机工程研究所的Zahra Babaiee说。她是这篇论文的第一作者，与麻省理工学院的Daniela Rus一起完成了部分工作，与维也纳大学的Peyman M.Kiasari和Radu Grosu一起完成了一部分工作
这些网络的设计灵感来自我们眼睛和大脑中的生物神经网络。在那里，视觉印象是由几层神经元处理的。例如，当某些神经元被眼睛中的光信号激活时，它们就会变得活跃，并将信号传递给身后层的神经元
在人工神经网络中，这一原理在计算机上进行数字模拟：所需的输入&mdash；例如数字图像&mdash；被逐像素地转移到人工神经网络的第一层。第一层神经元的活动简单地取决于它们呈现的是较亮还是较暗的像素
然后使用第一层神经元的这些活动值来确定下一层神经元的活动：下一层中的每个神经元根据非常特定的单个模式（根据非常具体的公式）组合来自第一层的信号，这产生一个值，然后用于确定下一个层中神经元的活动
与生物神经网络惊人的相似性
Zahra Babaiee解释道：“在卷积神经网络中，并不是一层中的所有神经元都为下一层的每个神经元发挥作用。”。“即使在大脑中，也不是一层中的每个神经元都无一例外地连接到前一层的所有神经元，而是只连接到非常特定区域的相邻神经元。”
因此，在卷积神经网络中，所谓的“滤波器”用于决定哪些神经元对特定的后续神经元有影响，哪些神经元没有影响。这些滤波器不是预先确定的，而是在神经网络的训练过程中自动形成的。
Zahra Babaiee说：“当用成千上万的图像训练网络时，这些滤波器和其他参数会不断调整。该算法会尝试对前一层的神经元进行哪种加权，以获得最佳结果，直到图像被分配到具有最高可靠性的正确类别。”。“算法是自动完成的，我们对此没有直接影响。”
然而，在训练结束时，可以分析哪些过滤器是以这种方式开发的。这揭示了有趣的模式：过滤器并不是完全随机的形式，而是分为几个简单的类别
想要了解更多关于脑机接口技术的内容，请关注脑机网，我们将定期发布最新的研究成果和应用案例，让您第一时间了解脑机接口技术的最新进展。
