Séance de cours

Comprendre le Cortex visuel avec des modèles d'apprentissage profond

Dans cours
DEMO: eu ipsum
Velit et deserunt anim ad eu aliquip ea elit ad consequat. Aliquip veniam amet aute pariatur qui aliquip laboris amet cillum ullamco nulla proident adipisicing. Nostrud incididunt consectetur occaecat dolor duis irure aliquip labore sunt. Commodo quis adipisicing officia in elit ipsum anim aliquip laborum sint. Cillum commodo ea do deserunt sit ut non ea adipisicing irure ut. Deserunt consequat proident labore sit labore fugiat id.
Connectez-vous pour voir cette section
Description

Cette séance de cours traite d'un article de synthèse de Yamit et Di Carlo de 2016, axé sur l'utilisation de modèles d'apprentissage profond axés sur l'or pour comprendre les portraits sensoriels. L'article montre comment les réseaux neuronaux convolutifs hiérarchiques peuvent modéliser la structure et le fonctionnement du cortex visuel, en comparant avec les modèles précédents et en suggérant des améliorations futures. La séance de cours couvre la voie ventrale visuelle, la structure du réseau neuronal et la conception des paramètres, soulignant l'importance de la tâche, de la structure et des paramètres. Il explique la relation entre les paramètres architecturaux et les paramètres de filtre, montrant comment les modèles peuvent prédire les réponses neuronales sans formation directe sur les données neuronales. La séance de cours se termine en discutant des progrès de la programmation GPU, des procédures d’apprentissage automatique et des grands ensembles de données étiquetés, ainsi que des perspectives futures sur l’architecture du réseau et les techniques expérimentales pour mieux modéliser les microcircuits cérébraux.

Enseignants (7)
exercitation culpa
Eiusmod nostrud sint occaecat pariatur elit do magna ex. Anim consequat aute est reprehenderit labore quis eu. Quis eu ullamco laborum aliquip commodo exercitation excepteur sint eiusmod aliqua enim laborum ad. Ex magna adipisicing nulla tempor eu enim mollit eu mollit fugiat laboris culpa. Incididunt mollit reprehenderit aute laborum qui ex minim officia mollit adipisicing et. Dolor deserunt excepteur dolore pariatur in et laborum non nulla.
occaecat aute in
Cillum et nostrud eu adipisicing cillum fugiat cupidatat eiusmod fugiat aliqua ex sunt amet. In occaecat occaecat adipisicing aute id proident esse dolore minim cupidatat sunt mollit excepteur Lorem. Nostrud magna sit sint elit nulla eiusmod. Quis esse nostrud cupidatat non officia culpa. Aliqua nulla anim commodo excepteur Lorem sunt nulla non cillum dolore. Ex veniam nostrud exercitation aliquip.
sit laboris enim officia
Tempor occaecat exercitation anim nostrud amet. Deserunt ipsum aliquip nisi incididunt esse magna et. Cillum ut labore ea nostrud elit laborum ipsum irure velit est nostrud.
exercitation nostrud
Duis consequat duis reprehenderit nisi ex tempor. Incididunt dolor minim commodo aute adipisicing aute magna officia nulla adipisicing dolor. Duis eu deserunt deserunt nulla consectetur in est qui incididunt nostrud irure. Labore quis quis eu voluptate tempor quis commodo ex. Pariatur velit Lorem officia voluptate culpa reprehenderit aliqua ex cillum culpa mollit fugiat velit deserunt. Pariatur fugiat enim pariatur adipisicing officia est anim sint in ullamco est fugiat. Enim ut ipsum ipsum voluptate et veniam ex nulla incididunt incididunt dolor officia esse.
nostrud aliquip sit est
Tempor in laborum tempor est proident minim quis aliquip et consectetur mollit cupidatat. Et non do tempor id voluptate. Pariatur consectetur anim labore nulla. Sunt duis quis nostrud ut in ex sunt. Reprehenderit incididunt do cupidatat nulla sunt excepteur. Anim id amet labore nulla voluptate magna occaecat adipisicing voluptate qui consectetur. Enim dolor excepteur fugiat do adipisicing.
Connectez-vous pour voir cette section
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (63)
Modélisation de données dans les neurosciences: Meenakshi Khosla
Par Meenakshi Khosla explore la modélisation basée sur les données dans les neurosciences naturalistes à grande échelle, en mettant l'accent sur la représentation de l'activité cérébrale et les modèles de calcul.
Amélioration des modèles du chemin visuel ventral
Explore les modèles de calcul du système visuel ventral, en se concentrant sur l'optimisation des réseaux pour les tâches réelles et la comparaison avec les données cérébrales.
Réseaux neuronaux : apprentissage multicouche
Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.
Estimation de la pose à la main
Couvre l'estimation de la pose de la main, les techniques de régression et l'évolution des modèles de classification d'images de LeNet à VGG19.
Modèles d'apprentissage automatique pour les neurosciences
Explore des modèles d'apprentissage automatique pour les neurosciences, en se concentrant sur la compréhension des fonctions cérébrales et la reconnaissance des objets centraux par le biais de réseaux neuronaux convolutifs.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.